- 博客(42)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 深度学习模型部署docker+TensorFlow Serving
系统环境：1、按照docker，官网有详细步骤，根据自己的系统选择相关教程就可。2、镜像拉取docker pull tensorflow/serving如果超时可以使用国内镜像。docker pull registry.docker-cn.com/tensorflow/serving出现如下类似画面则表示成功。3.克隆仓库，创建文件目录并克隆仓库mkdir -p /tmp/tfservingcd /tmp/tfservinggit clone --depth=
2021-04-29 16:17:30
327
原创 目标检测之Selective Search原理
对于目标检测往往第一步就是生成可能的region proposal，但是region proposal是如何获取的？下面介绍一下最常见的方法Selective Search方法。首先通过简单的区域划分算法，将图片划分成很多小区域，再通过相似度和区域大小（小的区域先聚合，这样是防止大的区域不断的聚合小区域，导致层次关系不完全）不断的聚合相邻小区域。那么如何进行合并聚合呢？即是：step0：生成区域集R。step1：计算区域集R里每个相邻区域的相似度S={s1,s2,…}。step2
2020-10-28 11:08:51
318
原创 非极大值抑制（NMS Non-Maximum Suppresion）
什么是非极大值抑制？顾名思义就是搜索局部最大值，通常在目标检测中出现。如何使用非极大值抑制？非极大值抑制的流程如下： 实际上这是一个迭代的过程， ①选取了置信度最大的边框， ②计算①中选取的边框与其周围边框的重合面积（IOU）。 ③通过选定合适的阈值删除重合面积较大的周围边框。 ④从剩下的边框中选取置信度最大的边框，重复以上步骤，直到无剩下的边框。得到边框的置信度：...
2020-10-28 10:23:15
214
原创 图解HTTP笔记①
使用HTTP协议访问Web当我们访问Web时，在地址栏输入URL之后，Web是如何呈现的呢？答案就是HTTP协议：发送端在层与层之间传输数据时，每经过一层时必定会被打上一个该层的所属的首部信息，反之，接收端在层与层传输数据时，每经过一层时会把对应的首部消去，这种把数据包装起来的方法叫做封装。与HTTP关系密切的协议有IP,TCP,DNS。①负责传输的IP协议IP协议属于网络层，几乎所有的使用了网络系统的都会用到IP协议，IP协议的作用十八各种数据包传送给对方，要保证.
2020-10-27 14:04:17
120
原创 工业自动化OPC/OPC UA
OPC是工业自动化领域用得比较多的协议。OpenPlatformCommunications（开放平台通信）。其实无论它的定义是什么，其目标保持不变：消除自动化软件和硬件平台之间互操作性的障碍，为用户提供选择。为什么需要OPC？OPC是为了不同供应厂商的设备和应用程序之间的软件接口标准化，使其间的数据交换更加简单化的目的而提出的。作为结果，从而可以向用户提供不依靠于特定开发语言和开发环境的可以自由组合使用的过程控制软件组件产品。...
2020-09-30 13:47:54
725
原创 数据分析与挖掘-挖掘建模
经过数据探索与数据的预处理，得到了可以用于建模的数据。更加挖掘目标和数据的形式可以建立分类与预测、聚类分析、关联规则、时序模式和偏差检测等模式。常见的分类与预测算法：回归分析：回归分析是通过建立模型来演技变量之间相互关系的密切程度、结构状态及进行模型预测的一种有效工具。、聚类分析：聚类分析实在没有给定划分类别的情况下，根据数据相似度进行样本分组的一种方法，聚类模型可以建立在无类标记的数据上，是一种非监督的学习算法。常见的聚类方法：关联规则：目的是在一个数据集中
2020-09-30 09:08:41
1733
原创 数据分析与挖掘（数据预处理）
在数据挖掘中，海量的原始数据存在着大量不完整（有缺失）、不一致、又异常的数据，影响数据挖掘建模的执行效率，甚至导致数据挖掘失败，所以数据的预处理尤为重要。一、数据清洗主要是删除原始数据中的无关数据、重复数据、噪声数据等，处理缺失值、异常值。处理缺失值的方法分为三类；删除数据、数据插补、不处理。其中插补方法包括：均值、中位数、众数、使用固定值、最近邻插值、回归方法、插值法等等异常值处理：在处理异常值时，有可能有些异常值蕴含着有用的信息。常见的异常值处理方法包括：删除异常值的记录、视为缺
2020-09-29 11:23:01
1110
原创 Pandas中的DataFrame的基本操作
DataFrame是Pandas中的一个表格型的数据结构，包含有一组有序的列，每列可以是不同的值类型(数值、字符串、布尔型等)，DataFrame即有行索引也有列索引，可以被看做是由Series组成的字典。创建DataFrame：df.values 返回ndarray类型的对象 df.index 获取行索引 df.columns 获取列索引 df.axes 获取行及列索引 df.head(i) 显示前 i 行数据
2020-09-04 11:22:16
181
原创 Pandas中的Series
一、什么是PandasPandas是一个强大的分析结构化数据的工具集；它的使用基础是Numpy（提供高性能的矩阵运算）；用于数据挖掘和数据分析，同时也提供数据清洗功能。二、Pandas的两大利器①DataFrame是Pandas中的一个表格型的数据结构，包含有一组有序的列，每列可以是不同的值类型(数值、字符串、布尔型等)，DataFrame即有行索引也有列索引，可以被看做是由Series组成的字典。②它是一种类似于一维数组的对象，是由一组数据(各种NumPy数据类型)以及一组与之相关的数据标
2020-09-04 10:29:09
664
原创 bagging && boosting && stacking 集成学习
什么是集成学习？集成学习归属于机器学习，他是一种「训练思路」，并不是某种具体的方法或者算法。集成学习的核心思路就是「人多力量大」，它并没有创造出新的算法，而是把已有的算法进行结合，从而得到更好的效果。集成学习会挑选一些简单的基础模型进行组装，组装这些基础模型的思路主要有 2种方法：1.bagging2.boostingBagging的核心思想是民主，所有基础模型都一致对待，每个基础模型手里都只有一票。然后使用民主投票的方式得到最终的结果。具体过程：从原始样本集中抽取训练.
2020-08-27 10:53:36
244
原创 数据库常见基本语句
SQL 是用于访问和处理数据库的标准的计算机语言。SQL，指结构化查询语言，全称是 Structured Query Language。 SQL 让您可以访问和处理数据库。 SQL 是一种 ANSI（American National Standards Institute 美国国家标准化组织）标准的计算机语言。虽然 SQL 是一门 ANSI（American National Standards Institute 美国国家标准化组织）标准的计算机语言，但是仍然存在着多种不同版本的 SQL 语言
2020-08-25 09:24:44
1080
原创 如何理解机器学习-逻辑回归算法
逻辑回归（Logistic Regression）是一个非常经典的算法，虽然被称为回归，但是其实是分类模型。常被用于二分类问题。Logistic分布：如果一个随机变量
2020-08-24 15:51:32
255
原创 连铸胚质量的控制
连铸质量的评价：①连铸坯的纯净度:指钢中夹杂物的含量、形态和分布。②连铸坯的表面质量:主要是指连铸坯表面是否存在裂纹、夹渣及皮下气泡等缺陷。连铸坯的这些表面缺陷主要是钢液在结晶器内坯壳形成生长过程中产生的，与浇铸温度、拉坯速度、保护渣性能、浸入式水口的设计、结晶器的内腔形状、水缝均匀情况、结晶器振动以及结晶器液面的稳定因素有关。③连铸坯的内部质量:指连铸坯是否具有正确的凝固结构，以及裂纹、偏析、疏松等缺陷程度。二冷区冷却水的合理分配、支撑系统的严格对中是保证铸坯质量的关键。④连铸坯的外观形状:
2020-08-13 17:09:28
485
原创 机器学习中的样本不平衡问题分类主要处理方法
传统的分类学习中往往假设各个训练样本在各类别的数目上大致相等，但是在实际的分类问题中，这种假设往往是不成立的。当样本在不同类别上的数目相差很大时，叫做不平衡数据集，此时分类器的分类效果往往会变差。目前的研究主要从数据预处理、代价敏感思想、单类别学习和集成学习方面进行研究。数据预处理主要是通过增加少类样本或减少多类样本来达到数据的平衡，也就是过采样方法和欠采样方法。欠采样方法就是减少多数样本来达到数据间的相对平衡，包括有近邻清理、压缩最近邻、单边选择和Tomek links等方法。过采样方
2020-08-13 14:27:17
1036
原创 机器学习中用到的数据预处理一般步骤
数据预处理的简单定义：一种数据挖掘方法，本质就是为了将原始数据转换为可以理解的格式或者符合我们挖掘的格式。主要包括四个步骤：（1）数据清洗（2）数据集成（3）数据规约（4）数据变换数据清洗： 填写缺失的值，光滑噪声数据，识别或删除离群点，并解决不一致性来“清理数据”； 数据集成：使用多个数据库，数据立方体或文件； 数据归约： 用替代的，较小的数据表示形式替换元数据，得到信息内容的损失最小化，方法包括维规约，数量规约和数据压缩； 数据变换：将数据变换成使用挖掘的形式。...
2020-08-12 14:26:05
2215
原创 冶金中的连铸生产技术
材料来源于书籍：《连铸生产技术》中图分类号TG249.7钢的生产过程主要包括两部分：炼钢和铸钢。炼钢的任务是将铁水、废钢通过炼钢炉冶炼成质量合格的钢业，铸钢的任务是将合格的钢水铸成适合于轧制需要的一定形状的固态。铸钢可以分为两种：连铸和模铸连铸机主要包括装置如图所示：连铸比模铸的优势：一、简化了生产工序，缩短了工业流程。二、提高了金属收得率。三、降低了能源消耗。四、生产过程机械化、自动化程度高。五、钢种扩大，产品质量日益提高。连铸机的主要设备：（1）钢包.
2020-08-10 14:22:54
767
原创 多标签分类问题与多类别分类
多标签分类和多类别分类的区别：对于多类别问题，表示事物本身可以分为多个类别，但是对于每一个样本只存在一个类别，例如分类猫、狗、人问题。不是猫就是狗、或者人。对于标签分类问题，表示事物本身可以分为多个类别，但是对于每一个样本存在至少一个类别，例如分类猫、狗、植物、动物。一个样本是猫的同时，又属于动物。解决多标签分类问题主要包括两种解决途径：（1）将问题进行转换，即是将多标签问题转化为单目标分类问题。（2）算法适应，修改算法使其可以直接适用于多标签分类问题。...
2020-08-05 10:38:59
1658
原创 Scale-wise Convolution for Image Restoration AAAI2020
Scale-wise Convolution for Image Restoration摘要虽然尺度不变建模在很大程度上提高了视觉识别任务的性能，但在基于深度网络的图像恢复中仍有很大的不足。将这些尺度不变的技术(例如，多尺度测试、随机尺度数据扩充)直接地应用于图像恢复任务，通常会导致较差的性...
2020-02-13 11:24:33
746
原创 Natural and Realistic Single Image Super-Resolution with Explicit Natural Manifold Discrimination
Motivation： 对于单图像超分辨率利用客观的损失函数无法重建出真实的精细纹理和细节，而这些对于感知质量至关重要。通过生成增强纹理来正强感知质量，会生成虚假细节，通常使得图像看起来不自然。整体思路： 提出了一种新的方法来重建具有高感知质量的真实的超分辨图像，同时保持结果的自然性。研究了SISR问题的域先验性质，在低阶域定义了自然先验，并在自然流形中约束了输出图像，最终生成更自然、更真实的...
2020-02-12 10:21:56
437
原创 Image Super-Resolution by Neural Texture Transfer(CVPR2019)
Motivation：基于参考图像的图像超分方法具有很大的潜力，但是当参考图像和LR图像不够相似时，或者未对齐时，图像的超分效果就会很差。整体思路： 本文旨在利用来之参考图像的更多纹理信息来释放RefSR的潜力，即是在不提供相关的Ref图象时，也具有很强的鲁棒性。将RefSR问题形式化为神经纹理迁移问题，设计了端到端的模型，将Ref图像的纹理自适应的迁移，从而丰富HR图像细节，且在神经空间执行...
2020-02-12 10:20:15
448
原创 Second-order Attention Network for Single Image Super-Resolution（CVPR2019）
Motivation：现有的基于深度卷积神经网络的方法主要专注于设计更深或者更宽的网络结构，却很少挖掘层间特征的相关性，从而降低了卷积神经网络的学习能力.整体思路：提出了一个二阶注意力网络(SAN)来实现更强大的特征表达和特征相关学习。提出了一种新的可训练的二阶通道注意力(SOCA)模块，进行相关性学习。提出了一种非局部增强的残差组(NLRG)结构，捕获远距离空间上下文信息。Github地...
2020-02-12 10:16:22
5016
4
原创 Multi-Dimension Modulation for Image Restoration with Dynamic Controllable Residual Learning
Motivation：现有的方法在实现两个目标之间的平滑过渡时受到限制，而实际输入图像可能包含不同种类的退化。传统的图像恢复深度学习方法(如图像去噪、去模糊和超分辨率)学习从退化图像空间到自然图像空间的确定性映射。对于给定的输入，这些方法中的大多数只能生成具有预先确定的恢复级别的固定输出。缺乏根据不同用户的喜好改变输出效果的灵活性。目前有的调制工作都是在一维上的，即是假设只有一个单一的退化类型。...
2020-02-12 10:08:39
515
原创 Tensorflow生成高斯模糊并进行卷积操作
在卷积神经网络中用到了高斯模糊核对图像进行预处理。首先根据方差生成模糊核:def gauss_kernel1d(sigma):#sigma表示方差 if sigma == 0: return 0 else: tail = int(sigma*3) k = tf.exp([-0.5*x**2/sigma**2 for x in...
2020-01-08 17:19:44
1500
1
原创 CFSNet: Toward a Controllable Feature Space for Image Restoration ICCV2019
CFSNet: Toward a Controllable Feature Space for Image Restoration图1：图像超分辨率(第一行)的感知失真权衡与噪声降低与细节保留(第二行)的权衡，在测试时间,使用CFSNet时,用户可以很容易地根据个人喜好调整输入控制变量达到最满意的结果。相比之下，固定的方法(如EDSR、dncn - b)并不能总是保证最佳的视觉质量。...
2020-01-02 09:50:07
1006
原创 Symmetric diffeomorphic image registration with cross-correlation
Symmetric diffeomorphic image registration withcross-correlation: Evaluating automated labelingof elderly and neurodegenerative brain摘要现代神经影像学最具挑战性的问题之一是对神经变性的详细描述，量化空间和纵向萎缩模式是这一过程的重要组成部分。这些时...
2019-12-31 17:52:19
2049
1
原创 python 读取H5PY文件并保存为图像
import h5pyimport numpy as nphr_dataset = h5py.File('fuzzy.h5')['data']//此文件下的data数据label = h5py.File('fuzzy.h5')['lable']//此文件下的lable数据lenght=len(hr_dataset)//获取数据的长度for i in range(len(hr_datas...
2019-12-31 16:17:53
4292
原创 ICCV2019 Kernel Modeling Super-Resolution on Real Low-Resolution Images
Kernel Modeling Super-Resolution on Real Low-Resolution Images整体流程： 使用暗通道先验[19]来简单有效地估计自然图像的模糊核。 利用WGAN-GP以1中生成的模糊核作为训练样本训练，扩充模糊核。 利用1和2种生成的模糊核，模糊真实图像生成超分网络的训练数据集。 公开的代码与论文有一些不一...
2019-12-19 16:48:24
1540
原创 图像叠加（重叠）
import cv2import numpy as npimg1 = cv2.imread('C:/Users/lenovo/Desktop/mse/result/07_z.tif')img2 = cv2.imread('C:/Users/lenovo/Desktop/mse/result/07_gtz.tif')#设置显的颜色 三通道img2[:,:,0][img2[:,:,0]&g...
2019-08-30 17:12:55
3363
原创 npy文件转图像并显示
import numpy as npimport cv2import matplotlib.pyplot as pltimage = np.load("C:/Users/lenovo/Desktop/0.npy")for i in range(0,image.shape[0]): plt.imshow(image[i,:,:]) cv2.imwrite(str(i)+"....
2019-08-30 17:09:44
12637
6
原创 增强图像亮度
import cv2#很简单，将读取的图像乘上较大倍数，图像即可变亮origal=cv2.imread("05_x.tif")#读取图像origal=origal*1.8cv2.imwrite('x.tif',origal)#保存图像
2019-08-30 16:01:56
872
原创 图像的数据增强
#图像的处理过程中，通常会出现数据量少，需要更多的数据#Augmentor包即可满足日差需要import Augmentor #导入包p = Augmentor.Pipeline("C:/Users/lenovo/Desktop/DATA_DRIVE/image")#导入图像p.ground_truth("C:/Users/lenovo/Desktop/DATA_DRIVE/mask")...
2019-08-30 16:00:02
316
原创 图像label与图像融合
from skimage.measure import find_contours,regionprops#导入包import cv2import matplotlib.pyplot as pltnum=45syn='3_3'img1 = cv2.imread('C:/Users/lenovo/Desktop/show/abba/testresult/'+str(num)+'_x....
2019-08-30 15:48:05
535
原创 图像标签的最小外接圆
import cv2import numpy as npimport matplotlib.pyplot as pltimg=np.load("E:/prostate3Dmask/0/0.npy")img=img[0,:,:]*255img=img.astype(np.uint8)#读取图像 如果为png等格式直接读取即可ret,thresh = cv2.threshold(img,...
2019-08-30 15:42:33
482
原创 利用高斯矩阵模糊图像的标签
import cv2import numpy as npimport matplotlib.pyplot as pltmask=cv2.imread("C:/Users/lenovo/Desktop/result/01_gtx.tif",0)#读取标签图像plt.imshow(mask, cmap='gray')plt.show()mask_fuzzy=cv2.GaussianBlu...
2019-08-30 15:37:08
263
原创 可变形图像配准位移矢量场可视化
import numpy as npimport matplotlib.pyplot as pltimport cv2def plot_grid(ax, gridx,gridy, **kwargs): for i in range(gridx.shape[0]): ax.plot(gridx[i,:], gridy[i,:], **kwargs) for i...
2019-08-30 15:35:20
3170
原创 分割/配准常见评价指标dice/hd
# -*- coding: utf-8 -*-import cv2import numpy as npimport osfrom medpy import metric #安装medpy包gty=cv2.imread("C:/Users/lenovo/Desktop/data_image/1/"+file,2)# 读取label文件gtx=cv2.imread("C:/Users/l...
2019-08-30 15:31:41
4896
4
原创 图像重采样
对图像进行重采样：安装scipy包代码如下：import numpy as npimport cv2 as cvimport skimage as reimport matplotlib.pyplot as pltfrom scipy.ndimage import zoomfor i in range(0,71): image=np.load("C:/User...
2019-08-28 21:15:28
992
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人