![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
计算机视觉CV
咋是对眼
这个作者很懒,什么都没留下…
展开
-
街景字符识别-Task5-模型集成
时间过的挺快,转眼就到了计算机视觉零基础入门的最后一个任务:模型集成。1、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2、集成学习方法在机器学习中,集成学习可以在一定程度上提高预测精度。常见的集成学习有Stacking、Bagging、Boosting一般来说深度学习模型需要较长时间的训练周期,如果自己的硬件设备不允许,则建议选取留出法。如果需要追求精度,则可以使用交叉验证的方法。...原创 2020-06-02 13:43:09 · 195 阅读 · 0 评论 -
街景字符识别-Task4-模型训练与验证
在之前的学习中,构建了一个简单的CNN模型进行训练,本次的学习目标则与以下两点:理解验证集的作用,并使用训练集和验证集完成训练学会使用pytorch环境下的模型读取和加载,并理解调参的流程1、验证集的作用在机器学习与深度学习模型的训练过程中,模型非常容易出现过拟合的现象。因为在模型训练的过程中,模型只能利用训练数据进行训练,并不能接触到测试集样本,所以模型如果将训练集学的够好,模型就会记住训练样本的细节,从而导致模型在测试集上的泛化效果较差,即出现过拟合现象。与过拟合相对应的就是欠拟合,即模型在原创 2020-05-28 21:54:03 · 364 阅读 · 0 评论 -
街景字符识别-Task3-字符识别模型
在学习完赛题背景与数据的读取后,本次的学习任务是构建一个CNN定长多字符分类模型。目标学习卷积神经网络(CNN)原理使用pytorch框架构建CNN模型,并完成训练1、CNN原理卷积神经网络CNN是深度学习中一个重要的分支。相比于传统的学习算法,CNN的速度和精度都高很多。在CV领域,CNN是解决图像检索、图像分类、语义分割和物体检测的主流模型。CNN的每一层是由若干个卷积核构成,每个卷积核对输入的像素进行卷积操作,得到下一层的输入。随着网络层数的增加,卷积核会逐渐扩大感受野,并缩减图像的尺原创 2020-05-26 19:43:07 · 280 阅读 · 0 评论 -
街景字符识别-Task2-数据读取与数据扩增(2)
2、数据扩增数据扩增再增加了训练集样本的同时,也可以有效地缓解过拟合的情况,使模型具有更强的泛化能力。数据扩增的方法有很多,从颜色空间、尺度空间到样本空间,根据不同任务,数据扩增都有区别。对于图像分类,数据扩增一般不会改变标签;对于物体检测,数据扩增会改变物体坐标位置;对于图像分割,数据扩增会改变像素标签。常见的数据扩增方法方法中文说明transforms.CenterCrop对图片中心进行裁剪transforms.ColorJitter对图像颜色的对比度、饱和度和零度原创 2020-05-23 20:27:21 · 184 阅读 · 0 评论 -
街景字符识别-Task2-数据读取与扩增(1)
数据读取与扩增Task2-目标学习python与pytorch图像读取学习扩增方法与pytorch读取赛题数据由于给定数据为图像数据,首先需要完成读取数据的任务。1.python图像读取常见的有pillow库、opencv库。pillow读取图像首先随便在百度上找一张猫猫图片,并保存在文件夹下。...原创 2020-05-23 16:55:13 · 228 阅读 · 0 评论 -
计算机视觉CV入门-街景字符识别-Task1.赛题理解
街景字符识别-Task1.赛题理解赛题理解任务概览赛题数据数据标签评测指标数据读取解题思路1.赛题数据赛题数据来自收集的SVHN街道字符,其中训练集包括3W张照片,验证集包括1W张照片,每张照片包括了颜色图像和对应的编码类别以及具体位置;测试集A包括4W张照片,测试集B包括4W张照片。2、数据标签训练集、测试集与验证集中都给出了相对应的编码标签和具体的字符框位置,可用于训练模型:字符说明:FieldDescriptiontop左上角坐标Xheigh原创 2020-05-20 18:41:26 · 216 阅读 · 0 评论