![](https://img-blog.csdnimg.cn/20190918135101160.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
Computer Vision
文章平均质量分 88
内容为作者在学习计算机视觉领域的一些笔记和遇到的问题
@kc++
练习时长两年半
展开
-
计算机视觉 -- 图像分割
图像分割(image segmentation)技术是计算机视觉领域的个重要的研究方向,是图像语义理解的重要一环。图像分割是指将图像分成若干具有相似性质的区域的过程,从数学角度来看,图像分割是将图像划分成互不相交的区域的过程。近些年来随着深度学习技术的逐步深入,图像分割技术有了突飞猛进的发展,该技术相关的场景物体分割、人体前背景分割、人脸人体Parsing、三维重建等技术已经在无人驾驶、增强现实、安防监控等行业都得到广泛的应用。原创 2023-08-22 16:05:03 · 3915 阅读 · 8 评论 -
人脸检测 - mtcnn
MTCNN,英文全称是Multi-task convolutional neural network,中文全称是多任务卷积神经网络,该神经网络将人脸区域检测与人脸关键点检测放在了一起。从工程实践上,MTCNN是一种检测速度和准确率都很不错的算法,算法的推断流程有一定的启发性。虽然用faster - rcnn 和 yolo 同样可以实现人脸检测,但是 mtcnn 在人脸检测领域是效果最好的。原创 2023-08-15 20:02:20 · 853 阅读 · 0 评论 -
目标检测(Object Detection)
目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。原创 2023-08-15 02:59:31 · 2065 阅读 · 5 评论 -
CNN之图像识别
图像识别技术是信息时代的一门重要的技术,其产生目的是为了让计算机代替人类去处理大量的物 理信息。随着计算机技术的发展,人类对图像识别技术的认识越来越深刻原创 2023-08-14 02:35:47 · 2985 阅读 · 0 评论 -
卷积神经网络
卷积神经网络(Convolutional Neural Networks,简称CNN)是一种深度学习的算法,它在图像处理和语音识别等领域有很强的表现。CNN得名于其核心操作:卷积。卷积是一种数学运算,它可以将输入的信息(如图像)通过一个滤波器(或称为“内核”)进行处理,以生成新的特征映射。CNN的主要组件包括卷积层、池化层(pooling layer)、全连接层(fully connected layer)和归一化层(如ReLU)。卷积层:这是CNN的核心部分,其中执行卷积操作。原创 2023-08-08 16:22:35 · 739 阅读 · 12 评论 -
深度学习开源框架
深度学习框架是用于构建和训练深度学习模型的软件库或工具,它可以提供清晰的、高级的编程接口以及预训练的模型,使得开发者更加容易地设计和实现深度学习模型。由Google Brain团队开发的开源库,适合多种应用,并在硬件加速、分布式计算、生产部署等方面具有优势。由Facebook的AI研究团队开发的开源库,对于研究者来说,它的动态计算图特性可以提供更高的灵活性。可以视为TensorFlow的高级封装,更注重用户体验和易用性。原创 2023-07-13 14:41:46 · 1987 阅读 · 0 评论 -
从零开始训练神经网络
Keras是由纯python编写的基于theano/tensorflow的深度学习框架。Keras是一个高层神经网络API,支持快速实验,能够把你的idea迅速转换为结果,如果有如下需 求,可以优先选择Keras:a)简易和快速的原型设计(keras具有高度模块化,极简,和可扩充特性)b)支持CNN和RNN,或二者的结合c)无缝CPU和GPU切换。原创 2023-07-08 23:34:25 · 1310 阅读 · 0 评论 -
深度学习与神经网络
神经网络是一种模拟人脑神经元行为的计算模型,神经网络由大量的神经元(在计算领域中常被称为“节点”或“单元”)组成,并且这些神经元被分为不同的层,分别为输入层、隐藏层和输出层。每一个神经元都与前一层的所有神经元相连接,连接的强度(或权重)代表了该连接的重要性。神经元接收前一层神经元的信息(这些信息经过权重加权),然后通过激活函数(如Sigmoid、ReLU等)处理,将结果传递到下一层。输入层接收原始数据,隐藏层负责处理这些数据,而输出层则将处理后的结果输出。原创 2023-06-30 05:27:12 · 9547 阅读 · 6 评论 -
传统机器学习算法解析(opencv实现)
文本主要解析在传统机器学习当中一些小的算法与思想,只是传统机器学习算法当中的一小部分,更多传统机器学习算法可参考我的另外几篇博客链接1: PCA主成分分析链接2: Canny边缘检测算法链接3: K-Means聚类算法链接4: SIFT算法分析opencv大坑之BGRopencv对于读进来的图片的通道排列是BGR,而不是主流的RGB!谨记!注意点什么是线性回归?举个例子,某商品的利润在售价为2元、5元、10元时分别为4元、10元、20元, 我们很容易得出商品的利润与售价的关系符合直线:y=2x.原创 2023-06-15 13:01:08 · 3609 阅读 · 6 评论 -
SIFT算法分析
尺度不变特征变换(SITF)是传统机器学习算法当中比较难的一个算法,步骤也相对其它传统机器学习算法要更多一些。原创 2023-06-14 13:12:01 · 2369 阅读 · 2 评论 -
K-Means聚类算法
聚类算法是传统机器学习算法中比较重要的一个算法,也是工程项目当中一个比较常用的算法。原创 2023-06-13 14:02:39 · 3297 阅读 · 5 评论 -
Canny边缘检测算法
Canny是目前最优秀的边缘检测算法之一,在传统机器学习算法当中,Canny是最优秀的算法,但是有深度学习的方法要比Canny好。高斯平滑水平和垂直方向呈现高斯分布,更突出了中心点在像素平滑后的权重,相比于均值滤波而言,有着更好的平滑效果。**重要的是需要理解,**高斯卷积核大小的选择将影响Canny检测器的性能:尺寸越大,检测器对噪声的敏感度越低,但是边缘检测的定位误差也将略有增加。**一般5x5是一个比较不错的trade off。原创 2023-06-12 01:38:32 · 2333 阅读 · 1 评论 -
PCA主成分分析
目前图像特征的提取主要有两种方法:传统图像特征提取方法 和 深度学习方法。特征选择(feature selection)和特征提取(Feature extraction)都属于;PCA主成分分析是传统特征提取方法当中最常用的算法,没有之一,传统的特征提取方法没有深度学习那么严谨,智能,准确度也没那么高,但它在做法上没有深度学习那么复杂,因为深度学习还需要训练参数等等,比较耗时。很多情况下并不需要用到深度学习的知识,简单点说,就是杀鸡焉用牛刀。原创 2023-06-11 10:06:27 · 3792 阅读 · 9 评论 -
图像噪声的应用
手动实现椒盐噪声的添加。原创 2023-06-10 11:41:21 · 380 阅读 · 0 评论