![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
图像检测
文章平均质量分 92
有害诗篇
改变未来的不是AI,而是爱
展开
-
图像检测:图像生成
判别式与生成式模型判别式模型 :已知观察变量X和隐含变量z,它对p(z|X)进行建模,它根据输入的观察变量x得到隐含变量z出现的可能性。根据原始图形推测图形具备的一些性质,例如根据数字图像推测数字的名称等。生成式模型 :它对p(X|z)进行建模,输入是隐含变量,输出是观察变量的概率。通常给出的驶入是图像具备的性质,而输出是性质对应的图像。生成模型模型目标:训练数据集的模型:x~Ptrain(x)生成样本的模型:x~Pmodel(x)令Pmodel(x) = Pdata(x)解决问题:构建原创 2022-05-28 10:42:37 · 928 阅读 · 0 评论 -
图像检测:图像描述
深度语言模型递归神经网络RNN有2类 :时间递归神经网络(Recurrent Neural Network),针对时间序列;结构递归神经网络(Recursive Neural Network),针对树状结构优化方法 :时序后向传播(Back propagation through time)长时记忆/递归深度问题 :梯度爆炸->梯度剪切;梯度消失->特殊设计RNN的应用基于RNN原因模型。我们首先把词依次输入到循环神经网络中,每输入一个词,循环神经网络就输出截止到目前为止,下一个最可原创 2022-05-27 21:19:47 · 790 阅读 · 0 评论 -
图像检测:医疗影像分割
医学影像X线设备:是通过测量透过人体的X线来实现人体成像的,即利用人体各组织的密度和厚度不同,X线穿过后的衰减程度不同,来显示身体内部的形态影像。磁共振成像设备:是通过测量构成人体组织元素的原子核发出的磁共振信号来实现人体成像。MRI可反映人体分子水平的生理、生化等方面的功能特性。超声成像设备:分为利用超声口波进行探测、超声诊断仪根据其显示方式不同,可分为A型、B型、D型(多普勒成像)、M型等。医用内镜:是能够直观地观察人体内部器官的形态的设备,相对其他影像设备其诊断准确性更高。最常见的有光导纤维原创 2022-05-26 22:25:20 · 1682 阅读 · 0 评论 -
图像检测:图像分割
图像分割所谓图像分割指的是根据灰度,颜色,纹理和形状等特征把图像划分为若干互不交迭的区域,并使这些特征在同一区域内呈现出相似性,而在不同区域间呈现出明显的差异性。语义分割(Semantic Segmentation)语义分割的目标是从像素水平上理解,识别图片的内容,输入图片后,输出同尺寸的分割标记(像素水平),每个像素会被识别为同一个类别。主要用于机器人视觉和场景理解,自动驾驶,医学X光领域。算法研究阶段2015之前:手工特征+图模型(CRF)2015之后:深度神经网络模型。改进CNN,并使用原创 2022-05-25 18:19:47 · 2395 阅读 · 0 评论 -
图像检测:目标检测(下)
R-FCNR-CNN系列的结构基于旧形态的CNN的结构(AlexNet,VGG) :全卷积子网络,全连接子网络相应的结构设计 : 全卷积子网络(5层/组),独立于ROI,计算共享;ROI-wise子网络(3层),计算无法共享 。CNN的全卷积化形式(只剩一个全连接层),相应的,基于就结构设计的R-CNN会出现问题结构 :ROI-wise子网络相当于隐含层性能:检测性能和分类性能不一致应用两难: 检测网络的变换敏感性,分类网络的变换不变性,卷积层越深,不变性越强,对变换不敏感。不适应设原创 2022-05-25 09:26:15 · 804 阅读 · 0 评论 -
图像检测:目标检测(上)
目标检测检测图片中所有物体的类别标签位置与其他任务的区别区域卷积神经网络R-CNN模型结构 : 按分类问题对待。模块一:提取物体区域(Region Proposal),不同位置,不同尺寸,数量很多。模块二:对区域进行分类识别(Classification),CNN分类器,计算量大。传统方法->RCNNRCNNselective search按一定规则生成区域集R计算区域集R里的每个相邻区域的相似度S={s1,s2…}找出相似度最高的两个区域,将其合并为新集,添加进R从S原创 2022-05-13 21:58:14 · 967 阅读 · 0 评论 -
图像检测:图像检索
相似图像检索相似颜色检索实现基于人类颜色感知的相似排序,颜色特征提取&特征相似度计算颜色直方图就是将RGB图像中出现的颜色进行统计,将一张图像描述成一个256维度的特征向量自编码器:通过神经网络进行特征提取,提取出针对学习样本的通用特征降维方法神经网络的两端通过相同的数据限制,学习到中间的隐藏层权重,通过使用降维再升维的方法,使隐藏层输出最大限度的保存图像的主要特征,以使还原后的图像与原图像误差达到最小。颜色特征提取: 目标:统计颜色成分,绘制颜色聚类直方图。方法:使用kmeans原创 2022-05-10 11:15:42 · 680 阅读 · 0 评论 -
图像检测:图像分类
图像分类判断图片中是否有某个物体,一个图对应一个标签卷积神经网络(CNN)网络进化:网络: AlexNet→VGG→GoogLeNet→ResNet深度: 8→19→22→152VGG结构简洁有效: 容易修改,迁移到其他任务中去,高层任务的基础网络性能竞争网络: GooLeNet:Inception V1→V4,ResNet:ResNet1024→ResNeXtAlexNet网络ImageNet-2012竞赛第一标志着DNN深度学习革命的开始:5个卷积层+3个全连接层,60M个参数,原创 2022-05-09 11:26:16 · 827 阅读 · 0 评论 -
图像检测:深度学习基础
选择合适的目标函数均方误差交叉熵交叉熵与均方误差可以想象为交叉熵目标函数的最优值搜索空间的地形更陡,更有利于快速的找到最优值Softmax层softmax层的作用是突出最大值并转换成概率的形式梯度消失的直观解释神经元的激活函数采用Sigmoid函数,则大部分情况下|W|<1,而Sigmoid的导数小于0.25激活函数2006年,人们(Hinton等)用RBM预训练的方式解决梯度消失的问题,到了2015年,使用ReLU激活函数计算速度快有生物依据能解决梯度消失原创 2022-05-06 22:40:25 · 1559 阅读 · 0 评论 -
图像检测:神经网络和BP算法
神经网络神经网络: 大量结构简单的,功能接近的神经元节点按一定体系架构连接成的网状结构,就是大脑的结构神经网络的作用: 分类,模式识别,连续值预测建立输入与输出的映射关系生物神经元生物神经元的结构大致描述如下图所示,生物神经元之间相互连接,从而让信息传递人工神经元神经元模型: 每个神经元都是一个结构相似的独立单元,它接收前一层传来的数据,并将这些数据的加权和输入非线性作用函数中,最后将非线性作用函数的输出结果传递给后一层。激活函数链式求导:人工神经网络基础神经网络: 神经原创 2022-05-06 11:10:57 · 911 阅读 · 0 评论 -
图像检测:未有深度学习之前
图像分割所谓图像分割指的是根据灰度,颜色,纹理和形状等特征把图像划分成若干互不交迭的区域,并使这些特征在同一区域内呈现出相似性,而在不同区域间呈现出明显的差异性。经典的数字图像分割算法一般是基于灰度值的两个基本特征之一:不连续性和相似性传统的图像分割方法基于阈值的分割方法:阈值法的基本思想是基于一个或多个灰度阈值,并将图像中每个像素的灰度值与阈值相比较,最后将像素根据比较结果分到合适的类别中。基于边缘的分割方法:所谓边缘是指图像中的两个不同区域的边界线上连续的像素点的集合,是图像局部特征不连续性的原创 2022-05-05 21:39:34 · 2077 阅读 · 0 评论 -
图像检测:图像特征与描述
本章内容颜色特征:量化颜色直方图,聚类颜色直方图几何特征:Edge,Corner,Blob基于关键点的特征描述子:SITF,SURF,ORB其他特征提取:LBP,Gabor一: 颜色特征量化颜色直方图适用颜色空间:RGB,HSV等颜色空间操作:颜色空间量化,单元由单元中心代表,统计落在量化单元上的像素数量。最常用的方法是将颜色空间的各个分量(维度)均匀地进行划分优势:计算高效劣势:量化问题,稀疏聚类颜色直方图使用颜色空间:Lab等颜色空间原创 2022-05-03 21:00:35 · 864 阅读 · 0 评论 -
图像检测:图像预处理
主要内容图像显示与存储原理图像增强的目标点运算:基于直方图的对比度增强形态学处理空间域处理:卷积卷积的应用(平滑,边缘检测,锐化等)频率域处理:傅里叶变换,小波变换应用案例:平滑,边缘检测,CLAHE等颜色空间RGB颜色空间加法混色,彩色显示器3个通道:(Red通道,Green通道,Blue通道)一个像素颜色值:(b,g,r)取值范围:[0,255],[0.0,1.0]CMY(K)颜色空间减法混色,印刷4通道:Cyan通道,Magenta通道,Yellow通道原创 2022-04-30 20:19:39 · 718 阅读 · 0 评论