Steve_Xu123-CSDN博客

原创深度学习面试知识点归纳总结

深度学习主要针对CV计算机视觉方向哦，NLP自然语言的童鞋还需自行查漏补缺深度学习基础部分卷积神经网络（CNN）特点：局部区域连接和权值共享。局部区域连接：图像的空间联系是局部比较紧密的，每个神经元其实没有必要对全局图像进行感知，只需对局部进行感知，然后在更高层将局部的信息综合起来就得到了全局的信息。权值共享：图像的一部分统计特性与其它部分是一样的。意味着在这一部分学习的特征也能用在另一...

2019-05-06 21:58:39 1136

转载深度学习知识点（面试）

问题列表如何设置网络的初始值？*梯度爆炸的解决办法***神经网络（MLP）的万能近似定理*神经网络中，深度与宽度的关系，及其表示能力的差异**在深度神经网络中，引入了隐藏层（非线性单元），放弃了训练问题的凸性，其意义何在？**稀疏表示，低维表示，独立表示*局部不变性（平滑先验）及其在基于梯度的学习上的局限性*为什么交叉熵损失相比均方误差损失能提高以 sigmoid 和 soft...

2019-05-03 21:27:59 2159

转载 caffe-MathFunction

目录目录主要函数caffe_cpu_gemm 函数caffe_cpu_gemv 函数caffe_axpy 函数caffe_set 函数caffe_add_scalar 函数caffe_copy 函数caffe_scal 函数caffeine_cup_axpby 函数caffe_add caffe_sub caffe_mul caffe_div 函数caffe_powx caff

2017-12-14 22:26:45 280

Python layer in Caffe can speed up development process Issue1703Compile WITH_PYTHON_LAYER optionFirst, you have to build Caffe with WITH_PYTHON_LAYER option 1. Run make clean to delete all the compiled

2017-12-13 21:43:10 1824

转载 FCN2DeepLab

介绍　　图像语义分割，简单而言就是给定一张图片，对图片上的每一个像素点分类。　　图像语义分割，从FCN把深度学习引入这个任务到现在，一个通用的框架已经大概确定了。即前端使用FCN全卷积网络输出粗糙的label map，后端使用CRF条件随机场/MRF马尔科夫随机场等优化前端的输出，最后得到一个精细的分割图。前端为什么需要FCN？　　分类网络通常会在最后连接几层全连接层，它

2017-12-04 22:01:48 614

原创计算机视觉class5

要点1.边界线链码 2.链码的长度，区域面积 3.计算灰度共生矩阵，特征 4.SIFT特征解释1.边界线链码简单来说就是利用一个八邻域去搜索图像的边界，这里自然指的是二值图像。利用点的八邻域信息，选择下一个点作为边界点，这个算法需要选择一个开始点，可以选择图像上是目标点，在最上，最左的点。然后查看它的八邻域的点，从右下方45°的位置开始寻找，如果是目标点，将沿顺时针90°作为下一次寻找

2017-12-02 11:54:36 513 2

原创计算机视觉class4

要点1.图像膨胀/腐蚀 2.直线检测（hough变换）数学形态学的简单应用解释1.图像膨胀/腐蚀腐蚀与膨胀，概念自行参考2.直线检测（hough变换）来一段套路熟悉下这是个什么鬼？ Hough变换是图像处理中的一种特征提取技术，该过程在一个参数空间中通过计算累计结果的局部最大值得到一个符合该特定形状的集合作为Hough变换的结果。简单而言就是运用两个坐标之前的变换将在一个空间中具有相

2017-11-26 15:41:47 285

转载图形学相关的论文和源码

Papers & ArchivesGraphics Conference Paper Link Archive (Ke-Sen Huang)Reproducible Research archive (image processing, vision, machine learning) (Xin Li)Mesh Libraries and ToolsSurface_Mesh (D. Siege

2017-11-18 17:29:00 1263

原创计算机视觉class3

要点1.边缘检测 2.二值图像及其边界提取（各分割图像的面积、边界的长度） 3.区域骨架提取（细化）解释1.边缘检测（1）概念：边缘检测的目的是标识数字图像中亮度变化明显的点。（2）方法：①基于查找—>寻找图像一阶导数信息，通过导数的最大（小）值来检测边缘。　　　　　 ②基于零穿越—->寻找图像二阶导数信息，通过二阶导数零穿越来寻找边界。　核心的思想都是利用灰度值的

2017-11-18 17:22:26 404

转载 FCN全卷积网原理

传统的做图像分割的方式大概是这样的: 以某个像素点中心取一个区域,取图像块的特征做样本训练分类器,分类结果作为此像素点的结果这样做缺点很明显，比如: 如何确定图像块的大小从小的图像块(patch)中获得的上下文信息(contex)较少，且极端耗时 FCN的做法是训练一个end-to-end的网络，做pixel-wise的pred

2017-11-13 16:23:03 578

转载 Softmax的解释

作者：忆臻链接：https://www.zhihu.com/question/23765351/answer/240869755 来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。转载于知乎softmax函数softmax用于多分类过程中，它将多个神经元的输出，映射到（0,1）区间内，可以看成概率来理解，从而来进行多分类！假设我们有一个数组，V，Vi表示V中

2017-11-12 10:03:25 1316

原创计算机视觉class2_Remaining

要点1.阈值分割（固定阈值、变阈值、调节参数窗） 2.直方图拉伸 3.区域生长法分割解释1.阈值分割阈值分割的思想就是用一个或几个阈值将图像的灰度直方图分成几个类，认为图像中的灰度值在同一个灰度类里的像素属于同一个物体。阈值分割法主要有两个步骤：①确定进行正确分割的阈值 ②将图像的所有像素的灰度级与阈值进行比较，实现区域划分，达到目标与背景分离的目的。如何正确选择阈值是算法的关键，通常也有一

2017-11-10 16:52:58 300

转载自编码器

自编码器自从Hinton 2006年的工作之后，越来越多的研究者开始关注各种自编码器模型相应的堆叠模型。实际上，自编码器（Auto-Encoder）是一个较早的概念了，比如Hinton等人在1986, 1989年的工作。（说来说去都是这些人呐。。。）自编码器简介先暂且不谈神经网络、深度学习，仅是自编码器的话，其原理很简单。自编码器可以理解为一个试图去还原其原始输入的系统。如下图所示。图中，虚线蓝色框

2017-11-09 22:29:30 3047

转载常识

在C++编程过程中，随着项目的越来越大，代码也会越来越多，并且难以管理和分析。于是，在C++中就要分出了头(.h)文件和实现(.cpp)文件，并且也有了Package的概念。简单讲，一个Package就是由同名的.h和.cpp文件组成。当然可以少其中任意一个文件：只有.h文件的Package可以是接口或模板(template)的定义；只有.cpp文件的Package可以是一个程序的入口。不过

2017-11-09 12:46:21 220

转载 Dummy 3D Reconstruction

我们在实时三维重建方面的工作今年已经密集展开。或许不久后某一天，你会在本站看到带有SLAM（即时定位与地图构建）功能的四轴飞行器，或者让你在书桌上打一场现代战争的增强现实应用。在敲锣打鼓欢天喜地亮出我们自己的三维重建实现前，先拿别人的东西给大家打打牙祭。中科大刘利刚教授的3D建模软件与处理软件简介介绍了N多实用的3D相关软件。而基于照片的快速建模软件并不多，之前玩过123D Catch，很赞。围着你

2017-11-09 11:43:00 409

转载 Marching Cubes

概述　　之前的博文已经完整的介绍了三维图像数据和三角形网格数据。在实际应用中，利用遥感硬件或者各种探测仪器，可以获得表征现实世界中物体的三维图像。比如利用CT机扫描人体得到人体断层扫描图像，就是一个表征人体内部组织器官形状的一个三维图像。其中的感兴趣的组织器官通过体素的颜色和背景加以区别。如下图的人体足骨扫描图像。医生通过观察这样的图像可以分析病人足骨的特征，从而对症下药。　　这类应用在计算机领域叫

2017-11-09 11:26:23 2948 2

原创计算机视觉class2_1

要点1.图像的几种去噪处理（1）均值滤波（2）高斯滤波（3）中值滤波（4）双边滤波2.解释概述：从统计学的观点来看，凡是统计特征不随时间变化的噪声称为平稳噪声，而统计特征随时间变化的噪声称为非平稳噪声。幅值基本相同，但是噪声出现的位置是随机的，称为椒盐噪声；如果噪声的幅值是随机的，根据幅值大小的分布，有高斯型和瑞利型两种，分别称为高斯噪声和瑞利噪声。（1）均值滤波：均值滤波方法是

2017-10-28 12:56:40 474

转载 Caffe--1

转载自：深度学习（六）caffe入门学习 - hjimce的专栏 - 博客频道 - CSDN.NEThttp://blog.csdn.net/hjimce/article/details/48933813本文主要讲解caffe的整个使用流程，适用于初级入门caffe，通过学习本篇博文，理清项目训练、测试流程。初级教程，高手请绕道。我们知道，在caffe编译完后，在caffe目录下会生成一个bui

2017-10-27 09:59:45 147

原创计算机视觉class1-图像处理基础

要点1.彩色图像灰度化 2.灰度直方图 3.灰度图像的伪彩图1.彩色图像灰度化一句opencv代码搞定，或者读入的图片以灰度图形式读入。cv::imread("1.jpg",0);//以灰度图形式读入2.灰度直方图以及灰度图像的伪彩图灰度直方图：统计一幅图片中的灰度值分布伪彩图：将特定值域的灰度值，映射成某一种颜色，设计单通道到三通道转换。附上代码如下:#include <opencv

2017-10-26 23:59:32 286 1

原创体素化

将点云数据数据进行体素化三维重建算法： 1. 令计算机根据已输入的点云数据，分别计算出XYZ三个方向点云数据坐标的最大值与最小值的差，然后根据三个差值来确定初始体素的长宽高，计算完成后，计算机自动建立出初始体素，所建立的初始体素中已包含所有的点云数据。—–> 建立包含场景的包围盒2.将初始体素建立好之后，即可对初始体素进行划分（划分的越细，体格越小，分辨率越高）并建立三维模型，具体执行方法为将初始

2017-10-25 17:45:08 11329 4

转载 3D Reconstruction

体素化（Voxelization） 3D模型体素化体素化（Voxelization）是将物体的几何形式表示转换成最接近该物体的体素表示形式，产生体数据集，其不仅包含模型的表面信息，而且能描述模型的内部属性。表示模型的空间体素跟表示图像的二维像素比较相似，只不过从二维的点扩展到三维的立方体单元，而且基于体素的三维模型有诸多应用。由于使用的需要，需对模型进行体素化操作，这里采用了一种简单但却有效的操作方

2017-10-25 17:13:10 1069

JiXu