- 博客(16)
- 收藏
- 关注
RSS订阅原创 hadoop踩坑
尚硅谷P31 执行到样例出错shadoop集群部署上后，在服务器中运行hadoop自带的jar包中的实例报错 - fastPass - 博客园
2022-02-22 12:35:00
814
原创 Maven配置及IDEA使用Maven速通教程
版本：maven：apache-maven-3.8.4idea：2021.3.2jdk：17速通开始：1.Maven – Welcome to Apache Maven下载maven下载后解压至你的电脑中，注意路径不要有中文，不要有空格举例：2.配置环境变量首先确保你的系统中有JAVA_HOME变量（如果没有先去安装jdk），网上教程很多，这里默认已有复制路径名字，注意一直到\bin进入系统环境变量，添加MAVEN_HOME变量：...
2022-02-10 22:25:45
613
原创 12-图像分割之RDFNet
1.前置（1）RGB-D分割算法中的融合方式主要分为早期融合，中期融合和后期融合，中期融合又可以细分为浅层中期融合和深层中期融合，与大多数特征融合方式特点相类似，早期融合和浅层中期融合可以提取较好的空间信息，而深层中期融合和后期融合可以更好的提取到语义信息。...
2021-10-29 12:47:33
1252
2
原创 11-图像分割之RedNet
1.前置（1）像素深度像素深度指存储每个像素用的位数，像素深度越深，所占用存储空间越大；像素深度越浅，图像越粗糙和不自然。（假设一幅彩色图像的每个像素用R，G，B三个分量表示，若每个分量用8位，那么一个像素共用24位表示，就说像素的深度为24）（2）图像深度图像深度<像素深度，接着用上面的例子，实际存储中一个像素其实是大于24位的（假设需要26位来存储）,这多出来的两位可能包含了图像的一些属性。图像深度是指实际用于存储图像的灰度或色彩所需要的比特位数（24位），而此时像素深度...
2021-10-28 22:16:24
2203
1
原创 10-图像分割之DFANet
1.摘要背景介绍:本文介绍了一种非常有效的CNN架构，名为DFANet，用于资源约束下的语义分割 算法组成:我们提出的网络从单个轻量级网络框架开始，分别通过子网络和子阶段级联聚合判别特征 模型评估:在Cityscapes和CamVid数据集上的实验证明了DFANet的优越性能，其FLOP比现有的最先进的实时语义分割方法少8倍，同时提供相当的精度 2.Pytorch实现DFANetimport torchfrom torch import nnimport torch.nn.f...
2021-10-26 22:23:29
579
原创 9-图像分割之BiSeNet
1.前置分割常用损失函数：交叉熵：兼容大部分语义分割场景，但是在二分类场景中如果某一类所占像素特别多那么模型会偏向这一类，分割效果不好。加权交叉熵：顾名思义，在交叉熵前面加一个权重，可以有效缓解类不平衡问题。BCELoss:可以理解为二分类情况下的交叉熵，通常接sigmoid激活函数Focal Loss：主要是为了解决难易样本数量不平衡的问题（即样本中容易区分的占大多数，使得模型偏向于区分简单样本，而不去优化对于难区分样本的判断），同时对交叉熵函数引入参数调节，也可以同时处理
2021-10-12 16:56:45
1567
原创 8-图像分割之ENet&LinkNet
经典分割算法VS实时分割算法经典分割算法注重精度，不断设计研究更复杂更强大的模型，使得模型分割精度不断提升，可能现有硬件开销较大，但随着技术的提升，这个弱点会被不断弥补。代表算法：FCN，U-Net，SegNet，DeepLab实时分割算法注重把模型落地投入到生产应用中，因此希望模型所耗费的计算，存储资源能够尽可能的少，牺牲一部分精度来换取轻量级稳定的模型。代表算法：ENet，LinkNet，BiSeNet，DFA参考：B站深度之眼...
2021-10-08 10:53:32
529
原创 7-图像分割之ExFuse&DFN
1.前置之前对语义分割看待的角度都是微观的，即实现每一个像素的分类，而DFN从宏观角度来分析语义分割，将语义分割看作一个任务，将一致的语义标签分配给一类事物，而不是每个像素。按照这一角度，语义分割中就会存在类间不一致和类内不一致的问题。注意力机制：把注意力集中到重要的点上，忽略其他不重要的点。注意力机制可以帮助模型为输入图像的各个部分分配不同的权重，提取更关键、更重要的信息,使模型能够做出更准确的判断，同时不会给模型的计算和存储带来更多的消耗。按注意力关注的域分类，有空间域，通道域，层域，混合域，时
2021-10-05 16:40:04
422
原创 6-图像分割之GCN
1.前置GCN的提出可以说缓解了大小卷积核之间的矛盾，大小卷积核对模型产生的作用各有千秋，总结来说：大卷积核：优点：感受域较大，能够获得丰富的上下文信息 缺点：参数量大，计算量大 举例：AlexNet，LeNet等使用了5*5,11*11的大卷积核小卷积核：优点： 参数量小，计算量小，用多个小卷积核代替一个大卷积核，可以进行多次非线性激活，使模型判别能力增加。 缺点：感受域不足，产生的特征图可能 比较稀疏，深度堆叠卷积可能会产生不可控问题（例如模型退化等） 举例：VGG之后自V.
2021-10-02 10:20:18
1375
2
原创 5-图像分割之DeepLab系列
1.语义分割的挑战分辨率语义分割中避免不了使用卷积以及池化等操作，这些操作会导致图像分辨率下降，会损失原始信息，而且这些信息在上采样的过程中很难被恢复。（目前提出的解决办法有空洞卷积，用步长为2的卷积代替池化）感受野感受野表示的是当前层所看到的对应原始图像的区域，感受野过大会导致小目标分割不准确，感受野过小由于看到的信息不完整也会导致分割不准确。DeepLab中则是采用了ASPP模块来解决这个问题（采用多个感受野相结合的方式进行特征提取），并且ASPP模块的可移植性很强。多尺度特征可...
2021-09-25 15:26:40
3060
原创 4-图像分割之SegNet＆DeconvNet
1.预备知识编码器和解码器：编码器结构:编码器部分主要由普通卷积层和下采样层将特征图尺寸缩小，使其成为更低维的表征。目的是尽可能多的提取低级特征和高级特征，从而利用提取到的空间信息和全局信息精确分割。解码器结构:解码器部分主要由普通卷积、上采样层和融合层组成。利用上采样操作逐步恢复空间维度，融合编码过程中提取到的特征，在尽可能减少信息损失的前提下完成同尺寸输入输出。随机丢弃层：当一个复杂的前馈神经网络被训练在小的数据集时，容易造成过拟合。为了防止过拟合，可以通过阻止特征检测器的共同作用
2021-09-07 21:05:27
841
原创 3-图像分割之Fusionnet＆Unet
Unet和Fusionnet都是医学图像分割的经典，医学图像分割不同于常规的的分割，医学图像分割分割的图像一般来源于医学研究中，譬如分割出某几类细胞，一般这种医学图像的数据集可用数量少，而且图像的分辨率高，而且医学是贴近于实际生活的，往往对分割结果的准确率有较高的要求，目前的医学研究正逐渐从手动或半自动分割向全自动分割方向所发展。医学目前也有自己的挑战赛ISBI，Unet则是ISBI2015挑战赛的冠军，成为医学图像分割的基石。传统的分割方法一般是在滑动窗口中进行训练，用待预测像素周围的点来做预测，这样
2021-09-05 01:23:58
696
原创 2-图像分割之FCN
1.FCN简介终于来到图像分割的开山之作FCN，在FCN之前进行的图像分割，大多是根据图像的一些低阶视觉信息来进行分割，经典的方法有N-cut，Grab cut等，这些算法的优点是不需要使用算法进行训练，计算复杂度小，但是同时的，对于一些较困难的分割任务效果不太理想同时分割效率也比较低。伴随着机器学习等一系列技术的发展，图像分割也来到了一个新的时代，FCN便是其中的开山鼻祖，为往后的模型提供了基石。FCN的一些优点可以简答概括为以下几点：1.将原始的分类网络改编为全卷积神经网络，具体包括全连接层
2021-08-28 23:30:24
2942
1
原创 1(续)--图像分割之UNet
上一篇介绍了语义分割的基本概念，和UNet网络结构以及pytorch实现，本篇主要介绍下模型训练相关。参考https://cuijiahua.com/blog/2020/03/dl-16.html简单描述一个任务：如动图所示，给一张细胞结构图，我们要把每个细胞互相分割开来。这个训练数据只有30张，分辨率为512x512，这些图片是果蝇的电镜图。好了，任务介绍完毕，开始准备训练模型。1.数据加载数据下载https://github.com/Jack-Cherish/Deep-Lea
2021-08-19 14:23:01
1751
1
原创 1--图像分割之UNet
参考来源https://mp.weixin.qq.com/s?__biz=MzIxODg1OTk1MA==&mid=2247484552&idx=1&sn=419a4ec2a98be9bd3b8690ed855d0f33&chksm=97e55449a092dd5fb304a110566ff99fe838683570a6063934a5067c57ad7b0019592ee519af&scene=178&cur_album_id=135080111188361
2021-08-19 10:07:18
7102
1
原创 0--序言
先说一下本人情况，研一小白一枚，前不久老师给了图像分割的研究方向，之前的话都是自由学习，看过一些深度学习，机器学习的相关课程，这次有一个比较明确的方向，在网上查了挺多资料的，感觉真的是啥都不懂，特此开个博客，记录分享一下自己的学习之路。爱因斯坦说过：如果你不能简单的解释它，说明你还没有足够的理解它，所以本博客争取用最通俗易懂的话来解释，也顺便当作自己对知识了解的考察。由于本人真的是小白中的小白（别人口中的小白都是大佬，只有我口中的小白是真小白：狗头），所以可能有很多地方解释的不完整或者有错误，还望大
2021-08-18 11:14:33
145
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