机器视觉面试题

VisionPro

模板匹配里面的算法都有什么?分别有什么用?

PatMax 涉及的点数多,精度比较高,速度稍微慢。定位的精度可以为1/40像素

PatQuick 算法速度快

PatQuick与PatMax算法:处于两者中间

PatFlex算法:比较适合于畸变的情况

visionpro中掩模和建模的区别

掩膜:遮掩不必要的像素,消除干扰,使用背景:当只需要边缘轮廓,忽略内部细节的时候使用

建模:手动创建一个需要的轮廓,

模板匹配的颗粒度是什么

可以通过修改粗糙和精细的颗粒度,修改粗糙和精细特征的表现情况

颗粒度变大,选取的特征点会变少

本质上,颗粒度大,穿越的像素点就多。包围的轮廓就会变得粗糙。

一般选择默认

弹性

弹性参数:当实例和当前模板有一定的出入的时候(弹性形变),可以适当进行修改

边缘阈值

低于边缘阈值的会当作物件的背景。大于阈值的才会视作物件的轮廓。(边缘对比度)

如果设置一个过小的阈值,那么会产生过多的干扰

设置一个过大的阈值,将会造成边缘轮廓的损失

极性

图像轮廓(从暗到亮,是正极性;反之,是负极性)。

接受阈值

高于得分接受,低于得分抛弃

粒度限制(和创建模板时的参数基本一致)

对比度阈值(背景和工件的切割对比度)

visionpro中找线工具找圆工具中的对比度阈值怎么调

通过查看背景和边缘的像素差,调试相应的大小

C#中通过哪个方法加载VPP

答:CogSerializer.LoadObjectFromFile(_camPath)

用自己的语言描述一下PMA?讲述一下模板匹配输出的结果?

  • 9
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
BAT机器学习面试1000题系列 1 前言 1 BAT机器学习面试1000题系列 2 1 归一化为什么能提高梯度下降法求解最优解的速度? 22 2 归一化有可能提高精度 22 3 归一化的类型 23 1)线性归一化 23 2)标准差标准化 23 3)非线性归一化 23 35. 什么是熵。机器学习 ML基础 易 27 熵的引入 27 3.1 无偏原则 29 56. 什么是卷积。深度学习 DL基础 易 38 池化,简言之,即取区域平均或最大,如下图所示(图引自cs231n) 40 随机梯度下降 46 批量梯度下降 47 随机梯度下降 48 具体步骤: 50 引言 72 1. 深度有监督学习在计算机视觉领域的进展 73 1.1 图像分类(Image Classification) 73 1.2 图像检测(Image Dection) 73 1.3 图像分割(Semantic Segmentation) 74 1.4 图像标注–看图说话(Image Captioning) 75 1.5 图像生成–文字转图像(Image Generator) 76 2.强化学习(Reinforcement Learning) 77 3深度无监督学习(Deep Unsupervised Learning)–预测学习 78 3.1条件生成对抗网络(Conditional Generative Adversarial Nets,CGAN) 79 3.2 视频预测 82 4 总结 84 5 参考文献 84 一、从单层网络谈起 96 二、经典的RNN结构(N vs N) 97 三、N VS 1 100 四、1 VS N 100 五、N vs M 102 Recurrent Neural Networks 105 长期依赖(Long-Term Dependencies)问题 106 LSTM 网络 106 LSTM 的核心思想 107 逐步理解 LSTM 108 LSTM 的变体 109 结论 110 196. L1与L2范数。机器学习 ML基础 易 163 218. 梯度下降法的神经网络容易收敛到局部最优,为什么应用广泛?深度学习 DL基础 中 178 @李振华,https://www.zhihu.com/question/68109802/answer/262143638 179 219. 请比较下EM算法、HMM、CRF。机器学习 ML模型 中 179 223. Boosting和Bagging 181 224. 逻辑回归相关问题 182 225. 用贝叶斯机率说明Dropout的原理 183 227. 什么是共线性, 跟过拟合有什么关联? 184 共线性:多变量线性回归中,变量之间由于存在高度相关关系而使回归估计不准确。 184 共线性会造成冗余,导致过拟合。 184 解决方法:排除变量的相关性/加入权重正则。 184 勘误记 216 后记 219

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值