![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
CV入门
GCZZZ
研究生阶段做过较长时间STM32嵌入式,
后来接触了基于pytorch和TensorFlow框架的图像处理,并试着用FPGA进行图像处理,优势并不明显。
当前计划是用FPGA做深度学习的计算加速,实现神经网络在移动端的FPGA嵌入式开发。
展开
-
零基础入门CV赛事-Task5 模型集成
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 集成学习方法 目的是提高预测精度; 方法有:Stacking、Bagging、Boosting等, 例如在机器学习中,对10个CNN模型可以使用如下方式进行集成: 对预测的结果的概率值进行平均,然后解码为具体字符; 对预测的字符进行投票,得到最终字符。 在深度学习中,还有如下方法: Dropout可以作为训练深度神经网络的一种技巧。在每个训练批次中,通过随机让一部分的节点停止工作。同时在预测的过程中让所有的节点都其作用。原创 2020-06-02 22:12:50 · 172 阅读 · 0 评论 -
零基础入门CV赛事-Task4 模型训练与验证
学习目标 理解验证集,验证集是一个与测试集尽可能分布一致的样本集,在训练过程中不断验证模型在验证集上的精度,并以此控制模型的训练。 学会使用Pytorch环境下的模型读取和加载,并了解调参流程 理解训练集、验证集和测试集。 模型训练与验证 使用Pytorch来完成CNN的训练和验证过程,CNN网络结构与之前的章节中保持一致。我们需要完成的逻辑结构如下: 构造训练集和验证集; 每轮进行训练和验证,并根据最优验证集精度保存模型。 import torch.nn as nn from torch.utils.da原创 2020-05-30 22:06:53 · 306 阅读 · 0 评论 -
零基础入门CV赛事-Task3 字符识别模型
学习目标 CNN模型 使用pytorch框架构建并运行CNN模型 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,输入的是原始的像素数据。CNN通过原创 2020-05-26 20:49:16 · 172 阅读 · 0 评论 -
零基础入门CV赛事 Task02:数据读取与数据扩增
学习目标 学习图像读取 学习扩增图片数据集的方法 学习用pytorch读取赛提数据 图像读取的方法 常用的有Pillow和opencv,我选择使用opencv,完全是因为听起来更熟悉(__) 。 OpenCV是一个跨平台的计算机视觉库,最早由Intel开源得来。OpenCV发展的非常早,拥有众多的计算机视觉、数字图像处理和机器视觉等功能。OpenCV在功能上比Pillow更加强大很多,学习成本也高很多。 #代码示例 import cv2 # 导入Opencv库 img = cv2.imread('./c原创 2020-05-23 20:47:46 · 223 阅读 · 0 评论 -
零基础入门CV赛事-赛题理解-数据下载-task1
赛题理解 本次新人赛是Datawhale与天池联合发起的零基础入门系列赛事第二场 —— 零基础入门CV赛事之街景字符识别。 赛题以计算机视觉中字符识别为背景,要求选手预测真实场景下的字符识别,这是一个典型的字符识别问题。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。 赛题思路 使用CNN进行定长字符分类 task1任务 理解赛题 下载数据集 代码实现数据集的加载 # 导包 import pandas as pd import os import requ原创 2020-05-20 21:56:32 · 204 阅读 · 0 评论