仰望星空的乌龟-CSDN博客

仰望星空的乌龟

码龄9年

17,282

总访问量
8

原创
769

粉丝
43

关注

IP 属地：上海市

加入CSDN时间： 2016-10-20

个人简介：准备开始更新自己的所学所得种一棵树最好的时间是十年前，其次是现在。一切为时不晚。

查看详细资料

个人成就

获得19次点赞
内容获得6次评论
获得125次收藏
代码片获得112次分享
博客总排名1,449,313名

TA的专栏

TA关注的专栏 2

TA关注的收藏夹 0

TA关注的社区 1

TA参与的活动 0

兴趣领域设置

人工智能

opencv计算机视觉机器学习深度学习神经网络图像处理

创作活动更多

王者杯·14天创作挑战营·第2期

这是一个以写作博客为目的的创作活动，旨在鼓励码龄大于4年的博主们挖掘自己的创作潜能，展现自己的写作才华。如果你是一位热爱写作的、想要展现自己创作才华的小伙伴，那么，快来参加吧！我们一起发掘写作的魅力，书写出属于我们的故事。注： 1、参赛者可以进入活动群进行交流、分享创作心得，互相鼓励与支持（开卷），答疑及活动群请见https://bbs.csdn.net/topics/619735097 2、文章质量分查询：https://www.csdn.net/qc 我们诚挚邀请你们参加为期14天的创作挑战赛！

58人参与去参加

更多

matlab实现基于超像素的快速的模糊聚类(SFFCM)的图像分割

代码如下超像素分割结果调用的是matlab自带的超像素方法%% SFFCM将超像素区域N*3，减少计算成本进行分割的结果clearclose allI=imread('tomato.jpg');%I = imresize(Iy,[153 100]); figure;subplot(2,3,1);imshow(I);[m,n,p]=size(I);A = reshape(I(:, :, 1), m*n, 1); % 将RGB分量各转为kmeans使用的数据格式n行，一样一样本B

发布博客 2020.12.02 ·

matlab实现基于DPCA密度峰值算法的图像分割

matlab代码如下图像最好小一点，不然因为那个距离矩阵为（mn)(m*n)真的很慢很慢，运算上亿次了，电脑根本跑不动。clearclose allIy=imread('tomato.jpg');figure;imshow(Iy);I = imresize(Iy,[53 33]); figure, imshow(I); % 读入分割目标img_gray=rgb2gray(I);%灰度化% 获取图像的长宽[m,n]=size(img_gray);A = reshape(I(:,

发布博客 2020.12.02 ·

利用神经网络和卷积神经网络，还有SimpleConvNet打kaggle的手写数字识别比赛

数据在官网，kaggle手写数字识别不需要爬墙，注册什么的看看知乎把1.利用神经网络，神经网络这个类是编写的，代码如下# -*- coding: utf-8 -*-"""Created on Sat Oct 31 16:46:44 2020@author: """import numpyimport pandas as pdimport scipy.specialimport matplotlib.pyplotfrom itertools import islice#定义类神经

发布博客 2020.12.02 ·

小白—Anaconda下安装tensorflow

本人是笨蛋小白，安装的时候才知道创建虚拟环境的时候，环境里可以直接安装不同版本的python,不必考虑Anaconda本身的python版本。为了搭配tensorflow更好的学习其他人的代码，我安装的的是python3.6安装版本，tensorflow对应的版本为1.4.0；keras的版本要对应tensorflow的版本，这里可以查询tensorflow与python以及keras的版本对应打开Anaconda Prompt创建一个虚拟环境conda create --name py36ten

发布博客 2020.12.02 ·

Anaconda3+win10 64位+Python3.8.3没有安装VS下安装dlib

首先是下载dlib的.whl文件链接：https://pan.baidu.com/s/12bdpWH7uYlf92w3zHBl8SQ提取码：gsn7复制这段内容后打开百度网盘手机App，操作更方便哦其次是打开cmdC盘的用户下就可以1.安装cmakepip install cmake2.安装boostpip install boost3.我把.whl文件下载到了Anaconda的Scripts的文件里然后cmd里输入pip install dlib-19.19.0-cp38-c

发布博客 2020.11.17 ·

聚类算法（四）——基于密度峰值的聚类算法

4.基于密度峰值的聚类算法主要思想是寻找被低密度区与分离的高密度区域，基于的假设为：1）类簇中心点的密度大于周围邻居点的密度；2）类簇中心点与更高密度点之间的距离相对较大因此有两个需要计算的量：局部密度pi和高局部密度点距离(与高密度点之间的距离) δipi理解：其中dc表示截断距离，这个公式的意义就是找到与第i个数据点之间的距离小于截断距离的数据点的个数（某个点的距离到该点的距离小于dc 则密度加一），并将其作为第i个数据点真的密度。δi理解：在比对象i局部密度高的所有对象中，到对象i最

发布博客 2020.10.31 ·

聚类算法（三）——DBSCAN算法

**3.DBSCAN算法**基于密度空间的聚类算法不需要聚类的数量而是基于数据推测聚类的数目可以对任意形状都能产生聚类概念：epsion-neighborhood（e-nbhd) 密度空间在半径为e且还有若干个点的nbhd，密度等于包含点的个数/空间大小该算法首先要确定两个参数：epsilon 在一个点周围邻近区域的半径；minpts 这个邻近区域至少应该包含的点个数根据这两个参数可以划分样本中的点为三类：核心点如果一个点在其eps半径内有超过minpts数目的点边界点如果一

发布博客 2020.10.31 ·

聚类算法（二)——层次聚类

2.层次聚类概念：通过计算不同类别数据点间的相似度来创建一个有层次有嵌套的聚类树特点：不需要指定具体的簇数，只关注簇的远近，最后形成一个树状图；距离和规则的相似度容易定义，限制少，可以发现类的层次关系，可以聚类成其他形状运算量很大，奇异值也能产生很大影响，算法很可能聚类为链状算法基本过程：每个样点被视为一个簇，计算每个簇之间的距离，最近的两个合为一个新簇，重复这个过程直到最后只有一簇簇与簇之间的距离计算方法有：最短距离法Single Linkage（距离为簇与簇之间样本的最短距离）、最长距离法

发布博客 2020.10.30 ·

聚类算法简介（一）——kmeans算法

聚类不同于分类分类是人已经知道如何分类有了分类机器对人类的操作学习之后自动分类如：垃圾邮件；而聚类算法根据数据的相似性自己去判断事先没有分类聚类算法包括：1.K-means（无监督学习）特点：运算快、简单、好理解但是只能应用于连续型数据并且在分类前指定要选哪几类，非球形簇有局限算法理解：先指定要分几个组在数据集中随机选几个数据点作为质心计算其余点与质心的距离哪个近跟哪个然后再根据算法选出新的质心（这个点可以为数据中不存在的点）如果新的质心与原来的距离小于某一阈值则

发布博客 2020.10.30 ·