- 博客(43)
- 收藏
- 关注
RSS订阅转载 C/C++ float与double的有效数字位
版权声明：本文为博主原创文章，未经博主 请随意转载!! https://blog.csdn.net/VonSdite/article/details/76575247结论:有些编译器 float的有效数字位是 8位 , 有些有效数字位是 7位 有些编译器double的有效数字位是 15位, 有些是 16位 注意printf(“%f”, x); // 默认输出6位小数(不要和有效数字混淆...
2018-08-31 22:32:31
5790
转载 二分查找（循环法+递归法）
1.要求：给定已按升序排好序的n个元素a[0:n-1]，现要在这n个元素中找出一特定元素x。2.分析：该问题的规模缩小到一定的程度就可以容易地解决； 如果n=1即只有一个元素，则只要比较这个元素和x就可以确定x是否在表中。因此这个问题满足分治法的第一个适用条件 该问题可以分解为若干个规模较小的相同问题; 分解出的子问题的解可以合并为原问题的解； 分解出的各个子问题是相互独立...
2018-08-26 21:35:21
1816
转载 Bagging和Boosting 策略及其区别
转自：Bagging和Boosting 概念及区别：http://www.cnblogs.com/liuwu265/p/4690486.html（仅作为笔记，如有侵权请告知）Bagging和Boosting都是将已有的分类或回归算法通过一定方式组合起来，形成一个性能更加强大的分类器，更准确的说这是一种分类算法的组装方法。即将弱分类器组装成强分类器的方法。首先介绍Bootstraping...
2018-08-26 11:09:39
1072
原创 等比数列、等差数列
1.等比数列求和公式公式描述：公式中a1为首项，an为数列第n项，q为等比数列公比，Sn为前n项和。 2.等差数列通项公式、求和公式 公式描述：式一为等差数列通项公式，式二为等差数列求和公式。其中等差数列的首项为a1，末项为an，项数为n，公差为d，前n项和为Sn。...
2018-08-25 22:24:10
1814
转载 访问私有变量：友元函数、友元类
转自：友元函数、友元类、访问私有数据成员、友元关系[C++]：https://www.cnblogs.com/JCSU/articles/1044346.html一 友元函数(friend function)1. 什么是友元函数? 一个类的私有数据成员通常只能由类的函数成员来访问，而友元函数可以访问类的私有数据成员，也能访问其保护成员2. 友元函数的用处体现在哪里? 2.1...
2018-08-25 21:58:28
3905
转载 机器学习：随机森林简介及调参
转自：【机器学习】随机森林RFhttps://blog.csdn.net/zhoubl668/article/details/50740189一 随机决策树的构造 建立每棵决策树的过程中，有2点：采样与完全分裂。首先是两个随机采样的过程，RF要对输入数据进行一下行（样本）、列（特征）采样，对于行采样（样本）采用有放回的方式，也就是在采样得到的样本中可以有重复。从M个特征中（列...
2018-08-21 21:57:42
2055
转载 SVM 调参策略
转自：SVM 调参策略：https://blog.csdn.net/u014484783/article/details/78220646SVM 怎样能得到好的结果 1. 对数据做归一化（simple scaling） 2. 应用 RBF kernel 3. 用cross-validation和grid-search 得到最优的c和g 4. 用得到的最优c和g训练训练数据 5. 测试...
2018-08-21 21:28:43
1094
转载 SVM 的核函数选择和调参
请查看转载来源：SVM 的核函数选择和调参：https://blog.csdn.net/aliceyangxi1987/article/details/80617649本文结构： 1. 什么是核函数 2. 都有哪些 & 如何选择 3. 调参1. 什么是核函数核函数形式 K(x, y) = <f(x), f(y)>，其中 x, y 为 n 维，f 为 n 维...
2018-08-21 21:18:27
2728
转载 图像特征：SIFT特征
建议看->转自： SIFT特征点提取：https://blog.csdn.net/lingyunxianhe/article/details/79063547计算机视觉中的特征点提取算法比较多，但SIFT除了计算比较耗时以外，其他方面的优点让其成为特征点提取算法中的一颗璀璨的明珠。SIFT算法的介绍网上有很多比较好的博客和文章，我在学习这个算法的过程中也参看网上好些资料，即使评价比较高...
2018-08-20 20:27:25
4605
转载 深度学习：Pooling池化操作的反向梯度传播
参考博客：https://blog.csdn.net/qq_21190081/article/details/72871704在看卷积神经网络的时候，突然想起来池化是会改变特征图的尺寸的，那反向传播是怎么实现的呢。于是搜了一些博客，感觉上面这个博客写得最清晰直观，就从这个博客里面搬了点东西过来作为笔记。Pooling池化操作的反向梯度传播CNN网络中另外一个不可导的环节就是Poolin...
2018-08-20 14:38:46
6331
转载 图像处理：高斯模糊
转自：1.高斯模糊的算法：http://www.ruanyifeng.com/blog/2012/11/gaussian_blur.html 通常，图像处理软件会提供"模糊"（blur）滤镜，使图片产生模糊的效果。 "模糊"的算法有很多种，其中有一种叫做"高斯模糊"（Gaussian Blur）。它将正态分布（又名"高斯分布"）用于图像处理。本文介绍"高斯模糊"的算法，...
2018-08-20 14:16:47
26139
5
转载 图像特征：HOG特征
主要参考：1.目标检测的图像特征提取之（一）HOG特征（算法）https://www.cnblogs.com/txg198955/p/3999083.html1、HOG特征： 方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图...
2018-08-20 12:04:51
5003
转载 图像变换：仿射变换
转自：图像几何变换之仿射变换：https://www.cnblogs.com/liekkas0626/p/5238564.html1. 原理 仿射变换（Affine Transformation 或Affine Map）是一种二维坐标（x, y）到二维坐标（u, v）的线性变换，其数学表达式形式如下： 对应的齐次坐标矩阵表示形式为： 仿射变换保持了二维图形...
2018-08-20 11:59:15
2059
转载 图像处理：图像腐蚀、膨胀，开操作、闭操作
参考：【数字图像处理学习笔记之四】图像腐蚀、膨胀：https://blog.csdn.net/zhougynui/article/details/518347251 背景知识结构元素：二维结构元素可以理解成一个二维矩阵，矩阵元素的值为0或者1；通常结构元素要小于待处理的图像。腐蚀与膨胀基本原理：就是用一个特定的结构元素来与待处理图像按像素做逻辑操作；可以理解成拿一个带孔的网格板（结构元...
2018-08-16 22:15:53
10495
1
转载 图像处理：中值滤波&均值滤波
转自：openCV之中值滤波&均值滤波（及代码实现）：https://blog.csdn.net/weixin_37720172/article/details/72627543 在开始我们今天的博客之前，我们需要先了解一下什么是滤波：openCV之中值滤波&均值滤波（及代码实现）首先我们看一下图像滤波的概念。图像滤波，即在尽量保留图像细节特征的条件下对目标图像的噪声进行抑...
2018-08-16 10:57:19
215304
17
转载 图像分割：阈值法-双峰法
二值图像和label图像是图像分割中经常用到的两种图像。二值图像的每个像素只有两种可能的取值，例如0或者255。通常0代表图像的背景，而255代码图像前景。图像二值化是最简单的图像分割模型。 1996年，Prewitt提出了直方图双峰法，即如果灰度级直方图呈明显的双峰状，则选取两峰之间的谷底所对应的灰度级作为阈值。注意：应用灰度直方图双峰法来分割图像，也需要一定的图像先验知识，...
2018-08-15 20:17:04
18612
1
转载 让ubuntu开启wifi热点（Ubuntu16.04+ipv6）
今天教大家一个简单方法让ubuntu发散wifi热点给手机或者其他设备使用。首先，创建一个普通的热点，点击右上角的网络，然后选择下拉菜单中的编辑连接，然后出现以下界面。然后点击增加，连接类型选接Wi-Fi，再点新建。 WIFI的设置如下，第一个连接名称是指保存在本地的文件名称，SSID是别的电脑搜索到的你wifi的名称常规那里的设置如下在wifi栏，创建I...
2018-08-14 10:11:29
2695
转载 为什么小样本不建议用深度学习？
机器学习里，模型越复杂、越具有强表达能力越容易牺牲对未来数据的解释能力，而专注于解释训练数据。这种现象会导致训练数据效果非常好，但遇到测试数据效果会大打折扣。这一现象叫过拟合（overfitting）。深层神经网络因为其结构，所以具有相较传统模型有很强的表达能力，从而也就需要更多的数据来避免过拟合的发生，以保证训练的模型在新的数据上也能有可以接受的表现。对于classification m...
2018-08-04 11:29:17
7887
转载 TensorFlow中CNN的两种padding方式“SAME”和“VALID”
转载请标明出处：http://blog.csdn.net/wuzqchom/article/details/74785643 在用tensorflow写CNN的时候，调用卷积核api的时候，会有填padding方式的参数，找到源码中的函数定义如下（max pooling也是一样）： def con...
2018-07-30 12:22:12
278
转载 COCO数据集标注信息
本文转载自 http://blog.csdn.net/qq_30401249/article/details/72636414转载，留作笔记instances_train2014.jsoninstances_val2014.json{”info”: {”descr...
2018-07-28 17:44:19
4877
1
转载 像素坐标系与图像坐标系
参考：https://jingyan.baidu.com/article/63f2362826ea1c0208ab3dec.html1. 像素坐标系：如下图所示：像素坐标系u-v的原点为O0，横坐标u和纵坐标v分别是图像所在的行和列，在视觉处理库OpenCV中，u对应x，v对应y；2. 图像坐标系：图像坐标系x-y的原点是O1，为像素坐标系的中点，如图所示：假设...
2018-07-26 15:53:07
66926
转载 保存和恢复Tensorflow模型--简明全面教程
转自：一个快速完整的教程，以保存和恢复Tensorflow模型。在本教程中，我将会解释：TensorFlow模型是什么样的？如何保存TensorFlow模型？如何恢复预测/转移学习的TensorFlow模型？如何使用导入的预先训练的模型进行微调和修改?这个教程假设你已经对神经网络有了一定的了解。如果不了解的话请查阅相关资料。1. 什么是TensorFlow模型？训练了一个神经网络之后，我们希望保存...
2018-07-09 16:44:05
340
转载 CSDN博客转载方法
在参考“如何快速转载CSDN中的博客”后，由于自己不懂html以及markdown相关知识，所以花了一些时间来弄明白怎么转载博客，以下为转载CSDN博客步骤和一些知识小笔记。转载CSDN博客步骤：1.CSDN博客页面右键，点击【检查】 点击检查后，页面右侧出现html代码，...
2018-07-09 11:55:05
149
转载 python：单引号，双引号和三引号及其区别
单引号和双引号在Python中我们都知道单引号和双引号都可以用来表示一个字符串，比如str1 = ‘python’str2 = “python” str1和str2是没有任何区别的。我们知道Python以其易用性而著名，所以刚开始看教程学习看到单引号和双引号都可以使用会以为这是Python为了...
2018-07-09 11:42:17
937
转载 GPU的性能
GPU的性能与指标体现GPU计算能力的两个重要特征： 1)CUDA核的个数； 2)存储器大小。 描述GPU性能的两个重要指标： 1)计算性能峰值； 2)存储器带宽。另参见：Nvidia GPU的浮点计算能力(FP64/FP32/FP16)https://blog.csdn.net/haima1998/article/details/78250143...
2018-07-07 16:49:20
4404
转载 CPU, GPU, FPGA计算能力
背景现在AI火热，带动了异构计算的发展，让GPU, FPGA这类加速芯片从辅助设备逐步进入了主流计算设备的行列，开始挑战传统CPU的绝对统治地位，那么我们为什么经常听说GPU, FPGA相对于CPU计算能力要强的多，原因是为什么呢？芯片设计CPU在芯片设计上，绝大部分空间其实并不属于ALU(算数逻辑单元）。CPU作为通用处理器，除了满足计算要求，为了更好的响应人机交互的应用，它要能处理复杂的条件和...
2018-07-07 16:42:49
8908
2
转载 目标检测--FPN解析
转载：Feature Pyramid Networks for Object Detection 总结最近在阅读FPN for object detection,看了网上的很多资料，有些认识是有问题的，当然有些很有价值。下面我自己总结了一下，以供参考。1. FPN解决了什么问题？答： 在以往的faster rcnn进行目标检测时，无论是rpn还是fast rcnn，roi 都作用在最后一层，这在大...
2018-07-04 23:41:04
9715
1
转载 残差网络resnet详解
resnet在2015名声大噪，而且影响了2016年DL在学术界和工业界的发展方向。下面是这个resnet的网络结构，大家先睹为快。 它对每层的输入做一个reference, 学习形成残差函数， 而不是学习一些没有reference的函数。这种残差函数更容易优化，能使网络层数大大加深。我们知道，在计算机视觉里，特征的“等级”随增网络深度的加深而变高，研究表明，网络的深度是实现好的效果的重要因素。然...
2018-07-04 16:50:57
3727
原创 FCN实现细节与几个问题
实现细节内容参考这篇文章 1）第一个卷积层为什么需要添加 pad=100 作者提供的网络模型里收个卷积层对输入图像添加了100个像素的边界（图７） 图７. pad:100如果不加100，到 FC6 的卷积输出为h^6=(h^5-7)/1+1=(h-192)/2^5显然对于长或宽不超过192的图片是被办法处理的；添加 p...
2018-06-30 10:35:08
1735
原创 语义分割--全卷积网络FCN详解
1.FCN概述图像的语义分割则不仅是区分每个像素的前后景，更需要将其所属类别预测出来，属于计算机视觉领域。CNN做图像分类甚至做目标检测的效果已经被证明并广泛应用，图像语义分割本质上也可以认为是稠密的目标识别（需要预测每个像素点的类别）。传统的基于CNN的语义分割方法是：将像素周围一个小区域（如25*25）作为CNN输入，做训练和预测。这样做有3个问题： - 像素区域的大小如何确定 - 存储及计算...
2018-06-29 23:51:47
22751
2
原创 CNN中的卷积、反卷积与反池化
1 反卷积DeConvolution 反卷积（Deconvolution）的概念第一次出现是Zeiler在2010年发表的论文Deconvolutional networks中，但是并没有指定反卷积这个名字，反卷积这个术语正式的使用是在其之后的工作中(Adaptive deconvolutional networks for mid and high level feature learning)...
2018-06-28 20:29:46
17969
1
原创 卷积操作的几种类型
卷积操作其实可以分成三种操作：（1）valid 操作，滑动步长为S，图片大小为N1xN1，卷积核大小为N2xN2，卷积后图像大小：(N1-N2)/S+1 x (N1-N2)/S+1如下图： （2）full 操作，滑动步长为1，图片大小为N1xN1，卷积核大小为N2xN2，卷积后图像大小：N1+N2-1 x N1+N2-1 如下图 ： （3）same 操作，滑动步长为1，图片大小为N1xN1，卷积核...
2018-06-28 20:16:48
3229
转载 Caffe中如何计算卷积
1.caffe中通过构造两个矩阵实现：Caffe中的卷积计算是将卷积核矩阵和输入图像矩阵变换为两个大的矩阵A与B，然后A与B进行矩阵相乘得到结果C（利用GPU进行矩阵相乘的高效性），三个矩阵的说明如下：（1）在矩阵A中 M为卷积核个数，K=k*k，等于卷积核大小，即第一个矩阵每行为一个卷积核向量（是将二维的卷积核转化为一维），总共有M行，表示有M个卷积核。（2）在矩阵B中 ...
2018-06-27 20:29:12
2324
转载 CNN中的多通道卷积（RGB等）
卷积过程是对一个通道的图像进行卷积，比如10个卷积核，得到10个feature map， 那么输入图像为RGB三个通道呢，输出就为 30个feature map吗， 答案肯定不是的， 输出的个数依然是卷积核的个数10，只是输出时对RGB三个通道加和。1、 一通道多个卷积核卷积过程：一个卷积核得到的特征提取是不充分的，我们可以添加多个卷积核，比如32个卷积核，可以学习32种特征。在有多个卷积核时，如...
2018-06-27 20:00:49
23274
2
转载 语义分割--FCN中的Shift-and-stitch的详解
当网络最后一层输出的 prediciton map size 和 label map size 不匹配时，除了 cropping, resize 等暴力措施，且不采取 bilinear , uppooling, deconvolution 等decoder 结构， 为了实现 dense prediction , 该怎么做呢？作者在这一段中指出： 为了实现dense prediction ，他们比较...
2018-06-27 19:29:54
5547
5
原创 图像上采样--双线性插值
先看几个概念： 1、图像上采样 上采样upsampling的主要目的是放大图像，几乎都是采用内插值法，即在原有图像像素的基础上，在像素点值之间采用合适的插值算法插入新的元素。2、线性插值法(linear interpolation) 这里讲解线性插值法的推导为了给双线性插值公式做铺垫。 线性插值法是指使用连接两个已知量的直线来确定在这个两个已知量之间的一个未知量的值的方法。 假设已知两...
2018-06-27 17:17:43
10621
原创 目标检测--Faster RCNN算法架构及关键点解析
Fast-RCNN基本实现端对端（除了proposal阶段外），下一步自然就是要把proposal阶段也用CNN实现（放到GPU上）。这就出现了Faster-RCNN，一个完全end-to-end的CNN对象检测模型。本文是继RCNN，fast RCNN之后，目标检测界的领军人物Ross Girshick团队在2015年的又一力作。简单网络目标检测速度达到17fps，在PASCAL VOC上准确率...
2018-06-21 12:23:07
2002
原创 目标检测--RCNN算法架构及关键技术解析
将之前做的RCNN专题报告分享一下，并留作笔记。PPT介绍了整体结构及四个关键技术：参考资料：1.论文笔记：Rich feature hierarchies for accurate object detection and semantic segmentationhttp://jermmy.xyz/2017/05/08/2017-5-8-paper-notes-rcnn/P：挺好的文章 2.r...
2018-06-13 22:35:23
462
原创 目标检测--Fast RCNN详解-多细节
Girshick, Ross. “Fast r-cnn.” Proceedings of the IEEE International Conference on Computer Vision. 2015.继2014年的RCNN之后，Ross Girshick在15年推出Fast RCNN，构思精巧，流程更为紧凑，大幅提升了目标检测的速度。在Github上提供了源码。同样使用最大规模的网...
2018-06-13 21:41:52
3428
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