- 博客(88)
- 收藏
- 关注
RSS订阅原创 AdamW算法
AdamW优化器通过将权重衰减从梯度更新过程中分离出来，提供了更稳定和有效的正则化方法。它在许多深度学习应用中表现优异，成为现代神经网络训练的标准选择之一。
2024-06-03 15:23:54
402
原创 VS Code中使用 Anaconda 环境
在 Visual Studio Code (VS Code) 中使用 Anaconda 环境进行 Python 开发，可以充分利用 Anaconda 提供的包管理和虚拟环境功能，同时享受 VS Code 提供的强大开发工具和调试功能。
2024-05-24 15:42:57
548
原创 Anaconda 中导出环境
在 Anaconda 中导出环境是一种常用的做法，可以将当前的环境配置导出到一个文件中，然后在另一台机器上或为他人导入使用。这种方式非常方便共享和备份你的环境。
2024-05-20 17:32:06
336
原创 数据集内存加载方式
选择哪种方式更好取决于多个因素，包括数据集的大小、可用的系统内存、训练效率以及I/O性能。下面我将比较两种方式的优缺点，帮助你选择合适的方案。
2024-05-20 13:10:13
306
原创 SLIC算法-超像素分割
（Simple Linear Iterative Clustering，简单线性迭代聚类）是一种常用的图像分割算法，特别用于生成超像素。超像素是具有相似特征（如颜色、纹理或亮度）的一组像素，它们被用于简化和加速图像处理任务。
2024-05-17 13:03:03
812
原创 夜视仪算法
夜视仪算法的核心是图像增强、噪声抑制和图像融合，结合深度学习方法可以进一步提高夜视图像的质量和效果。具体应用中，可以根据硬件条件和应用需求，选择合适的算法或组合方法来实现最佳的夜视效果。
2024-05-16 16:35:01
435
原创 Focus Stacking Algorithm
对焦堆叠涉及多种算法和技术，从图像对齐到图像融合，再到图像锐化，每一步都有多种可选的方法和实现。现代图像处理库和专用软件提供了强大的工具，使得对焦堆叠技术在各种应用中变得更加可行和高效。
2024-05-15 11:11:13
435
原创 包围摄影技术
包围摄影是一种摄影技术，旨在确保在特定场景下获得最佳效果的照片。通过拍摄一系列在不同参数下的照片，摄影师可以在后期选择或合成出最符合期望的图像。
2024-05-15 10:39:29
244
原创 np.seterr(divide=‘ignore‘, invalid=‘ignore‘)
这种设置可能在一些情况下很有用，比如在数值计算中，当某些操作会导致除以零或者无效的数值操作时，如果您希望程序继续执行而不中断，可以使用这种方式来忽略这些错误。这样设置的效果是，当程序中执行除法操作导致除零或无效操作时，NumPy 将不会引发异常，而是继续执行，将结果视为特殊值（如。这行代码用于设置 NumPy 中的错误处理方式。具体来说，它将在发生除零错误和无效操作错误时忽略这些错误，而不会引发异常。
2024-05-14 18:39:41
194
原创 堆栈去噪的数学原理
现在，让我们考虑噪声的性质。假设噪声是随机的，并且在每个像素位置上独立地加到每个图像中。如果噪声是这种性质，它在叠加后将会平均为零。这就是堆栈去噪的数学原理，通过将多个图像叠加起来并取平均，可以消除噪声并提高信噪比。为了更清晰地理解这一点，让我们用随机变量来表示像素的值。上的像素值，$ N(x, y)$ 是噪声的随机变量。当我们对多个具有噪声的图像进行堆叠时，假设我们有。也就是说，堆叠后的图像的像素值仅由信号。个图像，每个图像的像素值表示为。组成，而没有噪声的贡献。是独立同分布的随机变量。
2024-05-13 13:51:38
720
原创 Python 的 QT 界面中记住上次的设置
要在 Python 的 QT 界面中记住上次的设置，可以使用一些持久化存储的方法，比如将设置信息保存到文件中或使用数据库。这只是一种基本的方法，具体的实现方式会根据你的具体需求和应用场景而有所不同。
2024-05-11 10:20:54
376
原创 RGB-D分割相关调研
RGB和Depth信息进行前期融合（a），常规的编码-解码结构，对卷积核进行改进以适应RGB和Depth信息，不需要改变网络结构。无需改变之前的主干网络，为Depth信息增加一个额外的分支输入到网络，且容易判断Depth信息对性能的影响。不同的分支对RGB和Depth信息进行（中期b或者后期c）融合，会显著增加参数量和计算时间。
2024-05-09 17:29:02
309
原创 超像素分割【代码】
超像素分割是一种图像处理技术，旨在将图像分割成具有语义上一致的区域，这些区域称为超像素。与传统的像素级分割相比，超像素分割将图像划分为更大的、形状更加规整的区域，有助于降低数据维度、简化图像分析、提高计算效率，并且更符合人类视觉感知。：根据相似度度量值，将相邻的像素合并成超像素区域。：根据像素之间的相似度，计算每对相邻像素之间的相似度值。相似度通常基于颜色、亮度、纹理等特征。：对生成的超像素进行后处理，如边界优化、形状调整等，以提高分割的准确性和质量。：根据合并的结果，生成一组具有语义上一致的超像素区域。
2024-05-09 17:22:17
204
原创 GitHub绑定SSH
登录到 GitHub，然后点击右上角的头像，选择 “Settings”。在左侧边栏中选择 “SSH and GPG keys”。在 “Title” 字段中为密钥命名，并将您的公钥内容粘贴到 “Key” 字段中。一旦完成了这些步骤，您的 GitHub 帐户就与您的 SSH 密钥关联起来了，您可以通过 SSH 连接到 GitHub 仓库而无需再输入用户名和密码。在生成密钥对的过程中，您可以选择保存密钥的位置以及设置密码。如果一切顺利，您应该会收到一条消息，表示您已成功与 GitHub 建立了连接。
2024-04-09 09:43:54
713
原创 点云分割质量评估指标
本文介绍几种常用的评估指标，包括Overall Accuracy（OA）、Average Accuracy（AA）和Intersection over Union（IOU）。
2024-04-08 19:13:44
532
原创 Linux 中python文件无法导入.so文件的解决方案【安装GCC 10】
编译好的so文件一直导入失败，换成gcc 10编译解决问题。GCC 10设置为默认编译器。安装 GCC 的10版本。
2024-03-19 09:21:18
129
1原创 opencv 插值方法
该方法通过考虑目标像素周围的像素值来计算目标像素的值。它可以在图像抽取（image decimation）时提供更好的效果，但在放大图像时，效果可能类似于最近邻法。：该方法通过对周围像素进行加权平均来计算目标像素的值。它可以有效地减少图像的锯齿和模糊，但可能会导致一些细节丢失。：该方法使用周围8x8像素的Lanczos函数来计算目标像素的值。：该方法是从输入图像中最接近目标像素的位置获取像素值。在放大图像时，它可能会导致图像出现像素化的效果。：该方法使用周围4x4像素的立方函数来计算目标像素的值。
2024-01-19 09:58:48
477
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