- 博客(7)
- 收藏
- 关注
RSS订阅原创 1*1卷积详解
卷积核作用：可以看作对某个局部的加权求和；它是对应局部感知，它的原理是在观察某个物体时我们既不能观察每个像素也不能一次观察整体，而是先从局部开始认识，这就对应了卷积。卷积核的大小一般有1x1,3x3和5x5的尺寸。卷积核的个数就对应输出的通道数，这里需要说明的是对于输入的每个通道，输出每个通道上的卷积核是不一样的。比如输入是28x28x192(WxDxK,K代表通道数)，然后在3x3的卷积核，卷积通道数为128，那么卷积的参数有3x3x192x128,其中前两个对应的每个卷积里面的参数，后两个对应的卷积总
2020-06-30 17:16:33
6170
原创 feature map、卷积核、卷积核个数、filter、channel的概念解释
feature map、卷积核、卷积核个数、filter、channel的概念解释feature map的理解在cnn的每个卷积层，数据都是以三维形式存在的。你可以把它看成许多个二维图片叠在一起（像豆腐皮一样），其中每一个称为一个feature map。feature map 是怎么生成的？输入层：在输入层，如果是灰度图片，那就只有一个feature map；如果是彩色图片，一般就是3个feature map（红绿蓝）。其它层：层与层之间会有若干个卷积核（kernel）（也称为过滤器），上一层每个
2020-06-30 17:16:11
1244
原创 三维卷积详解
假如说你不仅想检测灰度图像的特征，也想检测 RGB 彩色图像的特征。彩色图像如果是 6×6×3，这里的 3指的是三个颜色通道，你可以把它想象成三个 6×6图像的堆叠。为了检测图像的边缘或者其他的特征，不是把它跟原来的 3×3 的过滤器做卷积，而是跟一个三维的过滤器，它的维度是 3×3×3，这样这个过滤器也有三层，对应红绿、蓝三个通道。给这些起个名字（原图像），这里的第一个 6 代表图像高度，第二个 6 代表宽度，这个3 代表通道的数目。同样你的过滤器也有高，宽和通道数，并且图像的通道数必须和过滤器的通道
2020-06-30 17:13:28
11956
9
原创 darknet53中@wrap(Conv2D)详解
主要的功能其实就是python中的装饰器，对conv2d函数进行了功能修改。from keras.layers import Conv2D这里面的Con2D进行了两处修改变为了Darknet中所需要的卷积方式（为什么要这么改呢 可以去看yolo3的论文）：1.正则化方式改为L2正则化,默认是None2.当步长为2时， padding的方式才为valid。默认情况下是步长为1，padding为valid。@wraps(Conv2D)def DarknetConv2D(*args, **kwargs
2020-06-27 18:09:59
1170
原创 计算任意两个矩形的IOU值
下图中是两个矩形，这两个矩形可以是任意大小的，也可以不相交, 但四条边要与坐标轴平行.IOU的计算公式：两个矩形相交的面积与相并的面积之比，即淡黄色区域面积与浅蓝色和淡黄色区域面积和的比值。下面给出伪代码，可适用于任何情形：xA = max(x11,x21)yA = max(y11,y21)xB = min(x12,x22)yB = min(y12,y22) # 两个框各自的面积boxAArea=(x12-x11)*(y12-y11)boxBArea=(x22-x21)*(y22-y2
2020-06-13 11:06:09
1223
原创 目标检测视频，并保存识别结果
#-------------------------------------## 调用摄像头检测#-------------------------------------#from keras.layers import Inputfrom yolo import YOLOfrom PIL import Imageimport numpy as npimport cv2yolo = YOLO()# 调用摄像头# capture=cv2.VideoCapture(1) # c
2020-06-13 10:28:55
2326
原创 爬取q房网房源信息
爬取房源信息，保存到CSV文件，比较简单，没有什么反爬虫。# -*- encoding: utf-8 -*-"""@File : qfang.py@Time : 2020/6/11 14:44@Author : ligang@WeChat : 18233275213@Software: PyCharm"""import requestsimport timefrom lxml import etreeimport csvdef spider_page(url
2020-06-11 15:38:23
1981
3
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