![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
文章平均质量分 51
奔跑的小仙女
这个作者很懒,什么都没留下…
展开
-
神经网络学习(一)(pytorch)
pytorch实现线性回归w = Variable(torch.randn(1),requires_grad=True) #需要求梯度b = Variable(torch.randn(1),requires_grad=True)def linear_model(x): return w*x+bdef get_loss(y_,y): return torch.mea...原创 2020-02-21 12:49:11 · 2627 阅读 · 0 评论 -
TypeError: Required argument ‘mat‘ (pos 2) not found
Traceback (most recent call last): File "/Users/*******/*****.py", line 225, in <module> cv2.imshow(r_image)TypeError: Required argument 'mat' (pos 2) not found这个错误提示意思是:没有找到要求的参数,即代码里的函数缺少必要的参数。cv2.imshow()这里面应该有两个参数:一个是图像窗口的名字即title,一个是原创 2020-08-15 23:46:19 · 2025 阅读 · 1 评论 -
Matlab实现图像处理并以xml格式存入文件
题目:给出一组图片(图片上框有不同颜色的方框,同一颜色的方框可能有多个,不同颜色的方框代表不同的类别)例如这样的图片:要求:①在一个文件夹里循环读入图片②输出图片的宽、高、框的类别、框的左下角坐标(X,Y),框右上角坐标(X,Y),标注的难易程度(0:不难)③将输出的结果保存成xml类型(根节点、子节点、二级节点)的文件中,保存的文件名与读入的图片名相匹配。④写出检验程序,检验输出的...原创 2019-02-16 16:00:15 · 1869 阅读 · 0 评论 -
(吴恩达)机器学习课后练习二代码解析(ex2)
作业二:ex2答案解析一、逻辑回归第一部分:ex2.m文件代码解读: clear ; close all;clc;data = load('ex2data1.txt'); %读取数据X = data(:, [1, 2]); y = data(:, 3); %data是一个矩阵,X为第一到第二列所有的行的值组成一个矩阵plotData(X, y); %调用函数(筛选的数据、画...原创 2019-03-07 10:15:48 · 3956 阅读 · 1 评论 -
yolov3中yolov3-voc.cfg文件中参数理解
yolov3中yolov3-voc.cfg文件中参数理解-笔记[net]# Testing #测试模式 batch=1 subdivisions=1# Training #训练模式 每次前向图片的数目=batch/subdivisions# batch=64 #关于batch与subdivision: ...原创 2019-03-20 09:09:10 · 4757 阅读 · 6 评论 -
yolov3中生成网络输入数据格式的voc_lable.py文件代码解读(笔记)
voc_lable.py文件代码解读下载python脚本:wget https://pjreddie.com/media/files/voc_label.py代码解读:import xml.etree.ElementTree as ETimport pickleimport osfrom os import listdir, getcwdfrom os.path import ...原创 2019-03-20 09:28:27 · 2450 阅读 · 1 评论 -
深度学习框架比较
网址:http://www.sohu.com/a/123190925_465975转载 2019-04-18 09:52:55 · 421 阅读 · 0 评论 -
人工智能概述(笔记)
人工智能:机器模拟人的意识和思维。消费级人工智能产品:机器学习:是一种统计学习方法,计算机利用已有数据,得出某种模型,再利用此模型预测结果,是人工智能的子集。随着经验的增加,效果会变好。深度学习:(深层神经网络)是深层次神经网络,是机器学习的一种实现方法,是机器学习的子集。机器学习的应用:1、对连续数据的预测2、对离散数据分类例如:卖房,输入平米数,输出价格。判断肿瘤的良性恶性...原创 2019-04-19 09:34:51 · 638 阅读 · 0 评论 -
全连接层与卷积层(总结)
全连接层与卷积层:全连接鞥卷积层全连接层是使用图像的全局信息,全连接层的权重是固定的,要求输入的feature map的大小也有要求,所以网络开始输入图像的大小要固定。全连接层的每一个节点都有上一层的所有节点相连。卷积层取局部特征,不需要固定输入的大小,因为它是对局部区域进行窗口滑动。例如:feature map大小3 * 3 * 2,有12个像素点,那么就需要将其...原创 2019-04-22 10:24:50 · 13054 阅读 · 4 评论 -
Python基础语法和Ubuntu常用命令(人工智能实践笔记)
linux常用终端命令:~$ pwd 当前路径:~$ ls 有什么文件:~$ mkdir python 当前目录建立名为python目录:~$ ls:~$ cd python 进入python目录:~$ python 进入python解释器 注意:使用pwd命令打印当前在哪个目录,打印的是绝对路径。绝对路径:是以根目录 (“/”) 为起点的完整目录,...原创 2019-04-24 19:32:41 · 874 阅读 · 0 评论 -
目标检测算法基础介绍---(1)目标检测问题定义和方法(笔记)
目标检测问题定义目标检测是在图片中对可变数量的目标进行查找和分类。目标种类与数量问题目标尺度问题外在环境干扰问题框上有类别和置信度(有阈值限定)特征提取是重点!目标分割:语义分割(除去背景区域的其他区域位置,精确到像素级别)实例分割:实例层面的。更细致。图像分类:只指出类别。目标检测的方法传统方法到深度学习方法的变迁。1、传统方法:VJ、HOG、DPM(基于传统手工特...原创 2019-05-16 14:51:25 · 1407 阅读 · 0 评论 -
目标检测算法基础介绍---(2)传统目标检测(笔记)
传统目标检测算法基本流程候选框的提取通常采用滑动窗口的方法。滑动窗口方法:首先对输入图像进行不同窗口大小的滑窗进行从左往右、从上到下的滑动。每次滑动时候对当前窗口执行分类器(分类器是事先训练好的)。如果当前窗口得到较高的分类概率,则认为检测到了物体。对每个不同窗口大小的滑窗都进行检测后,会得到不同窗口检测到的物体标记,这些窗口大小会存在重复较高的部分,最后采用非极大值抑制(Non-Maxim...原创 2019-05-18 15:23:35 · 5249 阅读 · 0 评论 -
Tensorflow框架(人工智能实践笔记)
基于TensorFlow的NN: 用张量表示数据,用计算图搭建神经网络,用会话执行计算图,优化线上的权重(参数),得到模型。张量(Tensor):多维数组(列表)阶: 张量的维数n阶 张量名字及例子0标量,s=1231向量,v=[1,2,3]2矩阵,m=[[1,2,3],[4,5,6],[7,8,9]]n张量 ,t=[[[…n个张量可以表示...原创 2019-05-20 16:29:58 · 3057 阅读 · 0 评论 -
对比深度学习十大框架
原文链接:http://www.sohu.com/a/123190925_4659752016 年已经过去,BEEVA Labs 数据分析师 Ricardo Guerrero Gomez-Ol 近日在 Medium 上发表了一篇文章,盘点了目前最流行的深度学习框架。为什么要做这一个盘点呢?他写道:「我常听到人们谈论深度学习——我该从哪里开始呢?TensorFlow 是现在最流行的吧?我听说 Ca...原创 2019-05-20 18:19:04 · 1259 阅读 · 0 评论 -
目标检测算法基础介绍----(3)Two-stage介绍(笔记)
基于Two-stage的目标检测算法综述主要是通过完整的卷积神经网络来完成目标检测的过程。CNN卷积特征R-CNN到faster RCNN端到端的目标检测(RPN网络)精确度高、速度相对One-stage慢基本流程:输入图片------对图片进行深度特征的提取(主干神经网络)------RPN网络完成滑动窗口所完成的任务,也就是产生候选区域,完成候选区域分类(背景和目标)对目标...原创 2019-05-21 18:39:06 · 1580 阅读 · 0 评论 -
YOLOv3训练自己的数据、批量测试、测试召回率步骤总结
系统:ubuntu16.04.5查看命令:cat /etc/issueGPU:RTX 2070查看命令:nvidia-smipython:2.7.15查看命令:pythonopencv:3.4.0查看命令:pkg-config --modversion opencvCUDA Version:8.0.61查看命令:cat /usr/local/cuda/...原创 2019-05-28 15:36:25 · 8218 阅读 · 1 评论 -
目标检测基础介绍-----(4)One-stage的目标检测算法综述和One-stage与Two-stage的比较(笔记)
One-stage基本介绍使用CNN卷积特征直接回归物体的类别概率和位置坐标值(无region proposal)准确度低,速度相对two-stage快基本流程one-stage常见算法:Yolov1/v2/v3SSD/DSSD等Retina-Net等等One-stage核心组件CNN网络回归网络CNN网络设计原则从简到繁再到简的卷积神经网多尺度特征...原创 2019-05-29 15:46:46 · 8233 阅读 · 1 评论 -
SSD系列算法原理讲解----(1)SSD系列算法介绍(主干网络、多尺度Feature Map预测)(笔记)
SSD系列算法原理介绍SSD算法介绍:Single Shot MultiBox Detector(One-stage方法)- Wei Liu在ECCV 2016提出- 直接回归目标类别和位置- 不同尺度的特征图上进行检测- 端到端的训练- 图像的分辨率比较低,也能保证检测的精度SSD系列算法原理介绍主干网络:VGGNet多尺度Feature Map预测Default b...原创 2019-05-29 18:18:05 · 9863 阅读 · 0 评论 -
SSD系列算法原理讲解----(2)Prior Box Layer、样本构造、损失函数介绍(笔记)
SSD系列算法原理介绍Prior Box Layer:m *n个cell (每个点都作为一个cell)每个cell上生成固定scale和aspect ratio的box(尺寸和长宽比例)假设一个feature map有m *n个cell,每个cell对应k个default box,每个default box预测c个类别score和4个offset( c +4)* k * m * n个...原创 2019-05-30 10:04:37 · 2671 阅读 · 0 评论 -
SSD系列算法原理讲解----(3)DSSD、DSOD算法(笔记)
SSD系列算法优化及扩展对于SSD,通常的优化策略,主要强调对主干网络的改进,和后续预测网络的改进原创 2019-05-30 19:59:45 · 2387 阅读 · 0 评论 -
SSD系列算法原理讲解----(4)FSSD、RSSD算法(笔记)
FSSD设计原则借鉴了FPN的思想,重构了一组pyramid feature map,使得算法的精度有了明显的提升,速度也没有太降把网络中某些feature调整为同一size再contact,得到一个像素层,以此层为base layer来生成pyramid feature mapFeature Fusion Module在FSSD中主要包括了上采样层(黄色区域),就是讲feature ...原创 2019-05-30 20:33:16 · 6660 阅读 · 0 评论 -
YOLO系列算法原理讲解----(1)Yolov1算法
YOLO介绍:采用直接回归的方法获取检测的目标及类别。核心:同时预测多个Box位置和类别端到端的目标检测和识别速度更快实现回归功能的CNN并不需要复杂的设计过程直接选用整训练模型,更好的区分目标和背景区域YOLOv1算法原理介绍图像被分成S * S个格子包含GT物体中心的格子负责检测相应的物体每个格子预测B个检测框及其置信度,以及C个类别概率bbox信息(x,y...原创 2019-06-04 19:32:37 · 3533 阅读 · 0 评论 -
YOLO系列算法原理讲解----(2)Yolov2/Yolo9000算法
YOLOV2/YOLO9000YOLO9000:Better,Faster,StrongerCVPR 2017,Best Paper Honorable Mention引入了anchor box的思想(改进直接回归的粗糙做法)输出层:卷积层替代YOLOV1的全连接层(通过卷积层减少网络结构对输入图像尺寸的敏感程度,因为FC层参数量同feature map的大小是息息相关的,卷积层无关)...原创 2019-06-05 17:21:08 · 1604 阅读 · 0 评论 -
YOLO系列算法原理讲解----(3)Yolov3算法
YOLOV3介绍速度和精度均衡的目标检测网络融合多种先进方法,改进YOLOV1/V2缺点,且效果更优小物体检测YOLOV3改进策略:更好的主干网络(类ResNet)多尺度预测(类FPN)更好的分类器具体如下:YOLOV3改进策略:- 更好的主干网络精度更好对比如下:可以看得到采用ResNet可以获得更好的检测效果。- 多尺度预测(类FPN)聚类来得到Bb...原创 2019-06-06 15:03:18 · 15067 阅读 · 1 评论 -
基于SSD的人脸检测项目实践----(1)人脸业务场景介绍(常见问题、标注方法、算法性能好坏、人脸采集常用方法)(笔记)
人脸业务场景介绍(常见问题、标注方法、算法性能好坏、人脸采集常用方法)判断是否存在人脸,如果存在人脸则定位到人脸的位置标准的目标检测问题(针对人脸目标)姿态和表情的变化不同人的外观差异光照,遮挡的影响不同视角不同大小、位置人脸标注方法—矩形标注传统方法都是用一个矩形框将画面中的人脸区域包含在内这种标记方法很难给出一个恰好包含面部的矩形框人脸标注方法—椭圆标注人脸天然呈...原创 2019-06-09 12:44:01 · 1829 阅读 · 0 评论 -
基于SSD的人脸检测项目实践----(2)Wider Face数据集介绍、标注格式、下载等(笔记)
人脸检测数据集构造数据下载:http://shuoyang1213.me/WIDERFACE/SSD模型数据格式封装VOC数据集格式LMDB格式数据、TFRecoder数据格式Caffe–SSD数据集构造流程:生成VOC格式数据集(图片、XML标注信息文件)修改Caffe-SSD数据打包脚本相关路径配置运行Caffe-SSD数据打包脚本生成VOC格式的数据集(图片、XML标注...原创 2019-06-09 16:31:56 · 8744 阅读 · 5 评论 -
基于YOLOV3的通用物体检测项目实战---(1)物体检测业务场景综述(笔记)
物体检测业务场景综述物体检测旨在构造智能算法和程序,来“观察”这个世界。计算机本身是比较困难将这些信息抽象称为一种比较高层语意的表达,去对应现实生活中的名词概念。我们通常所说的“观察”(see),实际上是已经包含了对视觉信息的加工,以及和真实世界的关系映射。如何理解“观察”这个概念:识别、检测、分割这个物体在这个真实世界当中的3D信息(SLAM)这个场景正在发生什么,希望计算机...原创 2019-06-12 14:24:14 · 3078 阅读 · 0 评论 -
基于YOLOV3的通用物体检测项目实战---(2)COCO数据集介绍、标注格式、下载脚本等(笔记)
物体检测–COCO数据集COCO数据集介绍微软团队提供:http://mscoco.org/ECCV Workshops:Microsoft COCO:Common Objects in Context从复杂的日常场景中截取,包括91类目标,328000影像和2500000个label种类更丰富单个物体数量更多所以评价算法性能是COCO数据集要更低一些。COCO数据集下载:ht...原创 2019-06-12 14:57:02 · 2435 阅读 · 0 评论 -
基于YOLOV3的通用物体检测项目实战---(3)YOLOV3 DarkNet框架介绍和环境搭建(笔记)
YOLO V3检测模型的环境搭建YOLOV3介绍:速度和精度最均衡的目标检测网络融合多种先进方法,改进YOLOV1/V2缺点,且效果更优YOLOV3具体图解在:https://blog.csdn.net/qq_43211132/article/details/91044151DarkNet一个较为轻型的完全基于C与CUDA的开源深度学习框架。容易安装,没有任何依赖项,移植性非...原创 2019-06-12 15:39:43 · 2512 阅读 · 0 评论 -
基于YOLOV3的通用物体检测项目实战---(4)DarkNet框架解读及相关配置说明(笔记)
YOLO V3检测模型的训练具体的修改文件:https://blog.csdn.net/qq_43211132/article/details/90640540这里比较全,比较系统。但这个是voc数据集格式Darknet文件结构:src/include/obj 存放了darknet源码以及经过源码编译过的文件cfgdata 也就是coco数据集放到了data下面script...原创 2019-06-12 16:55:44 · 909 阅读 · 0 评论 -
基于YOLOV3的通用物体检测项目实战---(5)利用DarkNet框架进行YOLOV3模型训练实操(笔记)
cfg文件夹:coco.data是能用到的配置文件[net]# Testing #测试模式 batch=1 subdivisions=1# Training #训练模式 每次前向图片的数目=batch/subdivisions# batch=64 #关于batch与subdivision: ...原创 2019-06-14 15:28:53 · 2161 阅读 · 0 评论 -
基于YOLOV3的通用物体检测项目实战---(6)YOLOV3检测模型的测试介绍及编程实例(笔记)
YOLOV3模型的测试:./darknet detector test cfg/coco.data cfg/yolov3.cfg backup/yolov3_20000.weights data/giraffe.jpg -thresh 0.4原创 2019-06-18 09:53:16 · 3468 阅读 · 2 评论 -
M2Det-一种使用新的特征金字塔方式的单阶段目标检测器(论文笔记)
摘要特征金字塔被最先进的一阶段目标检测器(如DSSD、RetinaNet、RefineDet)和两阶段目标检测器(如Mask RCNN、DetNet)广泛利用,以缓解跨目标实例的尺度变化所带来的问题。虽然这些带有特征金字塔的目标检测器取得了不错的结果,但由于它们只是简单地根据原本用于对象分类任务的骨干网固有的多尺度金字塔结构构造特征金字塔,因此存在一定的局限性。因此,坐着提出了多级特征金字塔网络...原创 2019-06-21 10:21:26 · 2090 阅读 · 0 评论 -
ScratchDet:随机初始化训练SSD目标检测器(论文笔记)
论文名称:ScratchDet: Training Single-Shot Object Detectors from Scratch(京东AI研究院)地址:https://arxiv.org/abs/1810.08425v3代码:https://github.com/KimSoybean/ScratchDet摘要:当前最先进的目标检测器是通过在大规模分类数据集ImageNet上预先训练的...原创 2019-06-28 09:03:45 · 1981 阅读 · 1 评论 -
Faster RCNN系列算法原理讲解(笔记)
Faster RCNN介绍:给定图片中精确定位物体位置,预测物体类别尺度变化、视觉变化、姿态变化、场景不确定、多个类别RCNN->SPPNet->Fast-RCNN->Faster-RCNN升级它的检测方法流程与传统方法类似:候选框选取可采用滑动窗口策略或选择性搜索策略。RCNN网络RBG 2014年提出深度特征RBG首次将卷积神...原创 2019-07-01 14:58:53 · 6490 阅读 · 0 评论 -
win10中anaconda安装tensorflow时报错Traceback (most recent call last): File “E:\Anaconda3\lib\site-packag
windows系统anaconda安装tensorflow时报错解决办法。报错:Traceback (most recent call last):File “E:\Anaconda3\lib\site-packages\pip_vendor\urllib3\response.py”, line 360, in _error_catcheryieldFile “E:\Anaconda3\...原创 2019-07-02 07:26:35 · 84487 阅读 · 43 评论 -
高斯滤波、高斯模糊
高斯滤波高斯滤波在图像处理概念下,将图像频域处理和时域处理相联系,作为低通滤波器使用,可以将低频能量(比如噪声)滤去,起到图像平滑作用。高斯滤波是一种线性平滑滤波, 适用于消除高斯噪声, 广泛应用于图像处理的减噪过程。通俗的讲, 高斯滤波就是对整幅图像进行加权平均的过程, 每一个像素点的值, 都由其本身和邻域内的其他像素值经过加权平均后得到。 高斯滤波的具体操作是: 用一个模板(或称卷积、 掩...原创 2019-07-12 09:43:39 · 6701 阅读 · 0 评论 -
numpy.linspace使用
函数形式:linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)作用:在规定的时间内,返回固定间隔的数据。他将返回==“num”个等间距的样本==, 在区间[start, stop]中其中,区间的结束端点可以被排除在外。参数:参数意义start : scalar(标量)序列的起始...原创 2019-07-15 11:10:50 · 1203 阅读 · 1 评论 -
shuffle(x) 函数、permutation(x)函数、np.random.normal()函数、plt.scatter(X, Y)函数
shuffle() 函数shuffle() 方法将序列的所有元素随机排序。语法:import randomrandom.shuffle (lst )注意:shuffle()是不能直接访问的,需要导入 random 模块,然后通过 random 静态对象调用该方法。lst – 可以是一个列表该函数没有返回值permutation(x)函数随机排列一个序列,或者返回一个排列的范围。...原创 2019-07-15 14:39:40 · 1085 阅读 · 0 评论 -
Keras学习 Sequential与Model模型 keras基本结构功能
人家写的特别好,保存下来 转:https://www.cnblogs.com/Anita9002/p/8136357.htmlkeras网络结构keras网络配置keras预处理功能模型的节点信息提取# 节点信息提取config = model.get_config() # 把model中的信息,solver.prototxt和train.prototxt信息提取出来mode...原创 2019-07-15 15:23:18 · 3088 阅读 · 0 评论