- 博客(8)
- 收藏
- 关注
RSS订阅原创 Batch Normalization 层
就像激活函数层、卷积层、全连接层、池化层一样，BN(Batch Normalization)也属于网络的一层。在前面我们提到网络除了输出层外，其它层因为低层网络在训练的时候更新了参数，而引起后面层输入数据分布的变化。这个时候我们可能就会想，如果在每一层输入的时候，再加个预处理操作那该有多好啊，比如网络第三层输入数据X3(X3表示网络第三层的输入数据)把它归一化至：均值0、方差为1，然后再输入第三层计算，这样我们就可以解决前面所提到的“Internal Covariate Shift”的问题了。
2023-09-24 20:57:47
86
1
原创 感受野的原理是什么？如何增加感受野？
感受野是每个神经元仅与输入神经元相连接的一块区域。通俗的讲，就是该层输出特征图上的一点映射到输入特征图的区域大小。可以说成，神经元所看到的输入特征图的区域大小。计算可以参考[如何计算感受野](
2023-09-24 20:48:12
546
1
原创 常见的边缘检测算法
通过物体的边缘检测，我们可以完成很多的图像识别任务。科学研究发现，图像边缘检测的原理是检测出图像中所有灰度值变化较大的点，而且这些点连接起来就构成了若干线条，这些线条就可以称为图像的边缘。常见的边缘检测算法包括Soble边缘检测，拉普拉斯边缘检测和Canny边缘检测。
2023-09-22 16:06:00
346
原创 常见的数据增强算法+opencv+python
高反差保留主要是将图像中颜色、明暗反差较大两部分的交界处保留下来，比如图像中有一个人和一块石头，那么石头的轮廓线和人的轮廓线以及面部、服装等有明显线条的地方会变被保留，儿其他大面积无明显明暗变化的地方则生成中灰色。直方图均衡化是通过调整图像的灰阶分布，使得在0~255灰阶上的分布更加均衡，提高了图像的对比度，达到改善图像主观视觉效果的目的。对于曝光过度问题，可以通过计算当前图像的反相（255-image)，然后取当前图像和反相图像的较小者为当前像素位置的值。拉普拉斯算子可以增强局部的图像对比度。
2023-09-22 15:54:37
491
原创 常见的图像去燥算法
偏微分方程的应用主要可以分为两类:一种是基本的迭代格式，通过随时间变化的更新，使得图像向所要得到的效果逐渐逼近，这种算法的代表为Perona和Malik的方程[27]，以及对其改进后的后续工作。该方法在确定扩散系数时有很大的选择空间，在前向扩散的同时具有后向扩散的功能，所以，具有平滑图像和将边缘尖锐化的能力。图像变换域去噪方法是对图像进行某种变换，将图像从空间域转换到变换域，再对变换域中的变换系数进行处理，再进行反变换将图像从变换域转换到空间域来达到去除图像嗓声的目的。3.偏微分方程（例如：P-M方程）
2023-09-22 14:13:58
1260
原创 定义自己的数据集并随机返回图片
用于训练对象检测的参考脚本，实例分割和人员关键点检测可轻松支持 添加新的自定义数据集。数据集应继承自标准类，并实现 和 .
2023-09-20 20:56:50
82
1
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