![](https://img-blog.csdnimg.cn/20201014180756724.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
cv
csCaiRujia
这个作者很懒,什么都没留下…
展开
-
YOLOv3 从零开始训练自己的数据集
第一部分:准备数据1.1标注数据我们在这里使用LabelImg进行数据标注。LabelImg使用教程可以之间看github中的教程conda install pyqt=5conda install -c anaconda lxmlpyrcc5 -o libs/resources.py resources.qrcpython labelImg.py得到标注后的数据将标注的标签和数据放在data目录下的elevator中,我们这里是要做电梯面板的检测。1.2 将数据分为训练集和测试集原创 2020-08-03 22:35:54 · 1315 阅读 · 0 评论 -
论文阅读:Siamese Neural Networks for One-shot Image Recognition
论文:Siamese Neural Networks for One-shot Image Recognition代码:https://github.com/kevinzakka/one-shot-siamese地址:https://www.cs.cmu.edu/~rsalakhu/papers/oneshot1.pdf来源:ICML2015Approach训练:通过同类物体或者不同类物体的pair,使得同类图片的距离尽可能小,不同类别的距离尽可能大。网络架构网络主要用了卷积、最大池化.原创 2020-08-03 13:13:03 · 745 阅读 · 0 评论 -
YOLOV3 论文解读
论文:YOLOv3: An Incremental Improvement地址:https://arxiv.org/abs/1804.02767代码:Pytorch版本 官方版本(c)来源:arxivStructure这篇博客中的图片很好的解释了YOLOV3的结构,我们先从总体上进行介绍。DBL: 如图左下角所示,DBL包含三部分组成,分别是卷积、BN、Leakely relu。在cfg文件中就是如下部分,batch_normalize=1代表了有BN,activeation=leak.原创 2020-07-19 17:38:19 · 958 阅读 · 0 评论 -
论文阅读:CROSS-DOMAIN FEW-SHOT CLASSIFICATION VIA LEARNED FEATURE-WISE TRANSFORMATION
论文:CROSS-DOMAIN FEW-SHOT CLASSIFICATIONVIA LEARNED FEATURE-WISE TRANSFORMATION地址:https://arxiv.org/abs/2001.08735代码:https://github.com/hytseng0509/CrossDomainFewShot来源:ICLR2020摘要由于不同领域的数据特征分布具有差异性,因此少样本分类算法对于之前为见过的领域数据效果不好。次论文主要解决的是基于度量的方法在领域迁移(dom.原创 2020-06-19 11:38:39 · 2368 阅读 · 4 评论 -
论文阅读:Learning to Compare: Relation Network for Few-Shot Learning
论文:Learning to Compare: Relation Network for Few-Shot Learning地址:https://arxiv.org/abs/1711.06025v2代码:https://github.com/floodsung/LearningToCompare_FSL来源:CVPR 2018原创 2020-06-14 21:54:27 · 563 阅读 · 0 评论 -
Task05:模型集成
5.1 学习目标学习集成学习方法以及交叉验证情况下的模型集成学会使用深度学习模型的集成学习5.2 集成学习方法在机器学习中的集成学习可以在一定程度上提高预测精度,常见的集成学习方法有Stacking、Bagging和Boosting,同时这些集成学习方法与具体验证集划分联系紧密。由于深度学习模型一般需要较长的训练周期,如果硬件设备不允许建议选取留出法,如果需要追求精度可以使用交叉验证的方法。下面假设构建了10折交叉验证,训练得到10个CNN模型。那么在10个CNN模型可以使用如下方式进行集成原创 2020-06-02 23:13:57 · 260 阅读 · 0 评论 -
Task03:字符识别模型
3.1学习目标学习CNN基础和原理使用Pytorch框架构建CNN模型,并完成训练3.2 CNN介绍卷积神经网络(简称CNN)是一类特殊的人工神经网络,是深度学习中重要的一个分支。CNN在很多领域都表现优异,精度和速度比传统计算学习算法高很多。特别是在计算机视觉领域,CNN是解决图像分类、图像检索、物体检测和语义分割的主流模型。CNN每一层由众多的卷积核组成,每个卷积核对输入的像素进行卷积操作,得到下一次的输入。随着网络层的增加卷积核会逐渐扩大感受野,并缩减图像的尺寸。CNN是一种层次模型原创 2020-05-26 22:23:32 · 295 阅读 · 1 评论 -
Datawhale组队学习计算机视觉实践:(1)赛题理解
赛题理解比赛连接:零基础入门CV赛事- 街景字符编码识别赛题名称:零基础入门CV之街道字符识别赛题目标:通过这道赛题可以引导大家走入计算机视觉的世界,主要针对竞赛选手上手视觉赛题,提高对数据建模能力。赛题任务:赛题以计算机视觉中字符识别为背景,要求选手预测街道字符编码,这是一个典型的字符识别问题。为了简化赛题难度,赛题数据采用公开数据集SVHN,因此大家可以选择很多相应的paper作为思路参考。1.1赛题数据赛题以街道字符为为赛题数据,数据集报名后可见并可下载,该数据来自收集的SVHN街道字符原创 2020-05-20 21:55:09 · 205 阅读 · 0 评论