![](https://img-blog.csdnimg.cn/20190927151124774.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
tensorflow解决cv
文章平均质量分 55
自学
醋酸洋红就是我
这个作者很懒,什么都没留下…
展开
-
图像特征提取与描述
【代码】图像特征提取与描述。原创 2023-08-20 19:37:31 · 104 阅读 · 0 评论 -
OpenCV图像处理——轮廓检测
【代码】OpenCV图像处理——轮廓检测。原创 2023-08-14 19:44:51 · 1572 阅读 · 0 评论 -
OpenCV图像处理——模版匹配和霍夫变换
【代码】OpenCV图像处理——模版匹配和霍夫变换。原创 2023-08-14 17:53:29 · 133 阅读 · 0 评论 -
OpenCV图像处理——边缘检测
【代码】OpenCV图像处理——边缘检测。原创 2023-08-14 17:08:32 · 133 阅读 · 0 评论 -
OpenCV图像处理——直方图
【代码】OpenCV图像处理——直方图。原创 2023-08-14 16:14:31 · 106 阅读 · 0 评论 -
OpenCV图像处理——图像平滑
dog1=cv.imread('./汪学长的随堂资料/4/图像操作/lenaNoise.png')原创 2023-08-14 13:54:22 · 81 阅读 · 0 评论 -
OpenCV图像处理——形态学操作
形态学转换是基于图像形状的一些简单操作。它通常在二进制图像上执行。腐蚀和膨胀时两个基本的形态学运算符。然后它的变体形式如开运算,闭运算,礼帽黑帽等。开:消除图像外的噪点。闭:消除图像内的孔洞。原创 2023-08-14 11:10:07 · 84 阅读 · 0 评论 -
OpenCV图像处理——几何变换
点线关系的仿射结果在原图像是一样的,但是线长度,线与线的角度会发生变化。原创 2023-08-14 00:00:33 · 184 阅读 · 0 评论 -
OpenCV基本操作——算数操作
两个图像应该具有相同的大小和类型,或者第二个图像可以是标量值。其实也是加法,只是权重不同。原创 2023-08-13 19:52:32 · 795 阅读 · 0 评论 -
OpenCV基本操作——图像的基础操作
有时需要在B,G,R通道图像上单独工作。在这种情况下,需要将BGR图像分割成单个通道。或者在其他情况下,可能需要将这些单独的通道合并到BGR图像。opencv中有150多种颜色空间转换方法。最广泛使用的转换方法有两种,BGR<->Gray和BGR<->HSV。原创 2023-08-13 19:04:38 · 561 阅读 · 0 评论 -
图像分割——语义分割:FCN与Unet
Unet网络是建立在FCN网络基础上的,它的网络架构如下图所示,总体来说与FCN思路非常类似。原创 2023-07-21 12:28:15 · 143 阅读 · 0 评论 -
图像分割——目标分割介绍
见目标检测。原创 2023-07-21 11:31:03 · 162 阅读 · 0 评论 -
目标检测——SSD模型介绍
目录SSD网络结构backboneextra部分loc和clsPriorBox层先验框的生成方法loc的预测结果模型训练正负样本标记损失函数困难样本挖掘模型预测SSD网络结构backboneextra部分loc和clsPriorBox层先验框的生成方法loc的预测结果模型训练正负样本标记损失函数困难样本挖掘模型预测原创 2023-07-21 00:00:38 · 360 阅读 · 0 评论 -
目标检测——yoloV3案例
labellmage使用方法读取TFrecord文件损失函数的计算正负样本的设定模型训练加载模型模型训练模型预测原创 2023-07-20 14:17:39 · 357 阅读 · 1 评论 -
目标检测——yolo系列算法
yoloV2选择了聚类的五种尺寸作为anchor boxFPN:浅层特征融合深层特征后进行目标检测。原创 2023-07-18 10:33:04 · 254 阅读 · 0 评论 -
目标检测——FasterRCNN原理与实现
res是一个字典,其中rois是目标框,class_ids是所属的类别,scores是置信度。分为两部分:RPN生成候选区域和Fast RCNN进行目标的分类与回归。确定proposal要映射到哪个特征图上,获取对应的候选框。只要In[16]就可以送入网络了,剩下的只是方便展示观看。将获取的候选区域送入到Fast RCNN网络中进行检测。FPN就是特征融合,使用多个特征图而不是使用一个特征图。在每一个网络中取最大值得到ROIPooling的结果。遍历特征图上的特征点,并映射回原图。原创 2023-07-16 15:22:42 · 3067 阅读 · 1 评论 -
目标检测——R-CNN网络基础
红色是SS生成的结果,绿色是标注框原创 2023-07-14 18:17:13 · 2832 阅读 · 0 评论 -
目标检测——目标检测概述
voc2010前,求取Recall11个点对应的presion,求平均。voc2010后,使用分段函数的线下面积。去除冗余检测框,保留最好的一个。原创 2023-07-14 12:20:05 · 665 阅读 · 0 评论 -
图像分类——模型微调
【代码】图像分类——模型微调。原创 2023-07-12 22:45:25 · 229 阅读 · 0 评论 -
图像分类——图像增强方法
【代码】图像分类——图像增强方法。原创 2023-07-12 21:01:53 · 294 阅读 · 0 评论 -
图像分类——ResNet
和Alex Net一样。原创 2023-07-12 20:30:33 · 266 阅读 · 0 评论 -
图像分类——GoogLeNet
第三个模块串联2个完整的Inception块。第一个Inception块输出通道为64+128+32+32=256。第二个Inception块输出通道数增至128+192+96+64=480。第二个模块使用2个卷积层:首先是64通道的1 * 1卷积层,然后是将通道增加3倍的3 * 3的卷积层。第一个模块使用一个64通道的7*7卷积层。原创 2023-07-10 14:20:32 · 150 阅读 · 0 评论 -
图像分类——VGG
【代码】图像分类——VGG。原创 2023-07-09 12:32:36 · 97 阅读 · 0 评论 -
图像分类——AlexNet
【代码】图像分类——AlexNet。原创 2023-07-09 09:12:58 · 53 阅读 · 0 评论 -
图像分类——图像分类简介
图像分类实质上就是从给定的类别集合中为图像分配对于应的标签任务。也就是说我们的任务是分析一个输入图像并返回一个该图像类别的标签。原创 2023-07-08 20:29:50 · 58 阅读 · 0 评论 -
深度神经网络——卷积神经网络CNN
CNN网络主要有三部分构成:卷积层、池化层和全连接层构成,其中卷积层负责提取图像中的局部特征;池化层用来大幅降低参数量级(降维);全连接层类似人工神经网络的部分,用来输出想要的结果。上述卷积过程中,特征图比原始图减少了很多,我们可以在原图像的周围进行padding,来保证在卷积过程中特征图大小不变。5是卷积核大小,6是上一层的通道数,16是本层的卷积核数,16是本层的偏置(也是卷积核数)卷积核个数与输出feature map相同。卷积核通道数和输入相同。2416是这么来的,5。原创 2023-07-03 20:05:36 · 102 阅读 · 0 评论 -
深度神经网络——神经网络案例
60000个训练样本和10000个测试样本,图像是固定大小(28x28像素),其值为0-255。在浏览器中打开指定网址,可查看损失函数和准确率的变化,图结构等。原创 2023-07-03 00:19:33 · 113 阅读 · 0 评论 -
深度神经网络——深度学习的正则化
【代码】深度神经网络——深度学习的正则化。原创 2023-07-02 19:59:09 · 85 阅读 · 0 评论 -
深度神经网络——深度学习的优化方法
常用动量法和adam算法,但其中adam容易造成梯度爆炸的情况。原创 2023-07-02 17:14:18 · 196 阅读 · 0 评论 -
深度神经网络——常见的损失函数
使用最多的是交叉熵损失函数。原创 2023-07-01 19:55:46 · 87 阅读 · 0 评论 -
深度神经网络——神经网络简介
如果不用激活函数,每一层输出都是上层输入的线性函数,无论神经网络有多少层,输出都是输入的线性组合。对于某一个神经元来说,需要初始化的参数有两类:一类是权重w,还有一类是偏置b,偏置b初始为0即可。而权重w的初始化比较重要。用于多分类过程中,它是二分类函数sigmoid在多分类上的推广,目的是将多分类的结果以概率的形式展现出来。从均值为0,标准差是1的正态分布中取样,使用一些很小的值对参数W进行初始化。)均匀分布中生成当前神经元的权重,其中d为每个神经元的输入数量。param是权重和偏置的个数。原创 2023-07-01 18:04:09 · 88 阅读 · 0 评论 -
tensorflow和keras
张量是一个多维数组。与numpy ndarray对象类似Metal device set to: Apple M1tf.Tensor(4, shape=(), dtype=int32)tf.Tensor([2. 3. 4.], shape=(3,), dtype=float32)tf.Tensor([[1. 2.][3. 4.][5. 6.]], shape=(3, 2), dtype=float16)常用函数变量是一种特殊的张量,形状是不可变的,但可以更改其中的参数数据输原创 2023-06-30 18:40:52 · 340 阅读 · 0 评论