- 博客(11)
- 收藏
- 关注
RSS订阅原创 CycleGAN和Conditional GAN（cGAN）
例如，在图像生成任务中，通过提供类别标签，可以生成特定类别的图像。在图像到图像的转换任务中，可以通过条件信息控制转换的风格、特征等。训练过程中，生成器的目标是尽可能欺骗判别器，使得生成的图像在视觉上无法与真实图像区分开来。CycleGAN是一种无监督的图像转换模型，它可以在两个不同的图像域之间进行转换，而无需成对的训练数据。例如，它可以将马的图像转换为斑马的图像，或者将夏季景色转换为冬季景色。让我逐步介绍它们的原理和应用。生成器的目标是生成逼真的图像，并使得判别器无法准确区分生成的图像和真实图像。
2023-06-17 18:07:52
427
原创 图像超分算法
3. 基于学习的算法：最近的发展是使用深度学习算法实现图像超分。与其他方法相比，基于学习的算法可以在更复杂的图像中产生更好的结果，但其训练成本更高。图像超分算法旨在将低分辨率（LR）图像转换为高分辨率（HR）图像，例如将480p分辨率的视频转换为1080p分辨率的视频。常见的图像超分算法包括插值法、基于统计的算法和基于学习的算法。2. 基于统计的算法：改进的方法是基于统计的算法，如最小二乘重建和基于学习的映射算法。1. 插值法：最简单的图像超分方法是插值法，它将LR图像中的像素值直接插值到HR图像中。
2023-06-17 07:50:20
341
1
原创 关于对抗生成网络的原理和应用
GAN已经成为了深度学习领域中的一种重要技术，它在提高数据生成效率、增强数据集、自动编码和对抗训练等方面有重大的应用价值。2. 数据增强：GAN可以用生成的样本增强数据集，从而帮助机器学习算法获得更多的数据，提高算法的精度和准确度。3. 生成对抗攻击：GAN可以生成针对人工智能系统的对抗性样本，用于攻击机器学习算法，从而暴露其漏洞和限制。1. 图像生成：GAN可以生成逼真的图像，例如：生成人脸、建筑或汽车等高质量的图像。5. 声音生成：GAN可以生成逼真的声音和音频，例如：人声、背景音乐等。
2023-06-17 07:49:02
345
1
原创 openmmlab mmsegmentation 算法框架介绍
其中，MMSegmentation是OpenMMLab中的一个图像分割框架，它提供了基于PyTorch的深度学习算法以及常用的分割模型和数据集。1. 数据处理：MMSegmentation中封装了几个常用的数据集，包括PASCAL VOC、Cityscapes、ADE20K等数据集，并且提供了数据增强和预处理的工具。总之，MMSegmentation提供了完整的图像分割算法框架，使得用户可以快速开发自己的分割算法，同时也可以用来学习和研究深度学习图像分割领域的相关知识。
2023-06-15 18:28:50
175
原创 YOLO V1 学习摘要
总的来说，YOLO V1算法的核心思想是将目标检测问题看作是一个回归问题，将目标的中心点和宽高等属性直接预测出来。3. 对于每个网格，预测一个包含5+类别数个数的向量，其中5个值分别代表该网格内包含目标的概率、目标的位置（中心点坐标和宽高）以及目标类别的概率。5. 重复以上过程直到所有的网格都被检测完毕，最后用非极大值抑制（NMS）方法过滤掉重复的检测结果，得到最终的目标检测结果。4. 将每个网格的预测向量与之前预定义的锚框（anchor boxes）的尺寸和位置进行匹配，根据匹配程度进行进一步的调整。
2023-06-15 18:26:28
52
1
原创 目标检测 基于IOU的匹配算法
而基于IOU的匹配算法是目标检测中常用的一种算法，其原理是通过计算目标框之间的重叠率(IOU)，来确定目标检测算法所预测的目标框和实际目标框之间的匹配关系。3. 重叠率计算：通过计算预测框和真实框之间的重叠率(IOU)，确定两者之间的匹配关系。一般的，若两个目标框的IOU大于一定的阈值，则认为它们匹配成功。1. 预测目标框：利用目标检测算法，从给定的图像中预测出若干个目标框，每个目标框包含了目标的位置和尺寸等信息。2. 真实目标框：从数据集中获取目标对应的真实框，包含目标的位置和尺寸等信息。
2023-06-11 17:25:00
867
原创 ROI Pooling和ROI Align 异同点
综上所述，ROI Pooling和ROI Align均是目标检测技术中的特征提取方法，两者的主要区别在于提取特征的方式，ROI Pooling基于max pooling，计算速度快但精度不高，而ROI Align基于双线性插值，精度高但计算量大。ROI Pooling是一种基于max pooling的算法，它将每个ROI划分成相同大小的子区域，并通过在每个子区域中进行max pooling来提取尺度不变的特征。3. 根据子区域的实际位置，在原始图像中进行双线性插值，计算出该子区域的特征。
2023-06-11 17:10:20
153
原创 两阶段目标检测 RPN算法
其中，RPN（Region Proposal Network）是两阶段目标检测中用来生成候选框的关键算法。5. 最后，将候选框送给第二阶段的网络，进一步进行目标检测。通过 RPN 算法生成的候选框，可以显著减少目标检测的计算量，提高准确率和速度。4. 使用非极大值抑制（NMS）筛选高概率的候选框，去掉重复的框，得到最终的候选框。2. 在特征图的每个位置生成多个锚点（Anchor），即不同长宽比和面积的矩形框。3. 对于每个锚点，RPN 输出两个值：其包含目标的概率，以及对应的边界框位置。
2023-06-11 17:02:54
383
原创 mmpretrain介绍
需要先安装OpenMMLab mmpretrain库并下载猫狗图片数据集，然后参照官方文档中的教程进行模型训练、测试和预测。其中，${CONFIG_FILE}和${CHECKPOINT_FILE}是配置文件和模型权重文件的路径，${IMAGE_PATH}是需要预测的图像路径，可以是单张图像或一组图像路径。也可以选择其他的模型。它提供了一个端到端的分类器训练框架，包括数据加载，模型构建，模型训练和评估等功能。从官方网站下载cifar-10数据集，按照mmcls的要求，将数据集划分为训练集和验证集。
2023-06-08 21:51:58
462
1
原创 使用mmpose库 关键点检测
配置文件： 为了使用mmpose库进行关键点检测，需要创建一个配置文件，用于指定数据集路径、模型类型、训练参数等。在配置文件中，需要指定数据集的路径、类别数、输入尺寸、训练参数等。数据准备： 在开始使用mmpose进行关键点检测之前，需要准备适用的数据集。关键点标注通常是人工进行的，可以使用专业工具或者开源标注工具进行标注。训练模型： 使用mmpose库进行模型训练需要执行训练命令，并指定配置文件路径。训练过程中，mmpose库会加载配置文件中指定的模型和数据集，并根据配置文件中的训练参数进行迭代优化。
2023-06-04 18:36:33
505
1
原创 mmsegmentation 2.0 绘制混淆矩阵(二分类)
mmsegmentation 版本从1.0更迭到2.0，绘制混淆的矩阵的py文件还在，但是似乎已经无法使用，很多函数和库发生修改。
2023-05-31 22:19:09
564
4
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人