- 博客(42)
- 收藏
- 关注
RSS订阅原创 多光谱的模型调用工具
相信大家对于上一篇说的多光谱针对于现在的人脸识别和人脸解锁以及做人脸防伪在技术上都有啦质的提升，现在我们展开说一下多光谱在做防伪的时候所遇到的困难和技术难题与大家一起分享和讨论，欢迎大家一起提出疑问和解答。图像增强不仅可以用于深度学习模型的训练，还可以在数据预处理阶段增加数据集的鲁棒性，提高最终模型的表现。解决多光谱在遇到多种光源的情下怎样去克服在不同的光照情况下人脸都可以达到所想的效果做到防伪。现实生活中我们遇到的光源都是多种多样的，比如家里使用的钨丝灯，学生经常使用的台灯等；12.电脑屏幕的蓝光。
2024-03-26 17:51:29
325
原创 多光谱防伪技术
近年来，随着机器学习的快速崛起，很快出现新的技术更新，刚开始的多层感知机，到现在的大模型，都是大家探讨的兴趣方向，但是最值得大家感兴趣的那就是多光谱防伪技术的出现，很快各大平台都是争先恐后的集中人才开发新的方向和挖掘新的技术。全连接层/密集连接层（Fully Connected/Dense Layer）：将池化层的结果拉平（flatten）成一个长向量，汇总之前卷积层和池化层得到的底层的信息和特征。这些模型在不同的任务和领域中有广泛的应用，例如图像分类、目标检测、机器翻译、语音识别等。
2024-03-08 19:30:00
433
原创 如何使用python处理高光谱数据004-卷积神经网络
高光谱数据通过在波长维度细分，获得了数据的光谱特征，光谱特征是指物体在不同波长下的反射、吸收和发射的光线强度，这些特征可以反映出物体的物理和化学性质。不考虑空间关系，高光谱图像每一个像素都包含一个光谱，这些光谱是一维数据，我们可以使用一维卷积层，在挂光谱的波长轴上滑动，同样的，通过堆叠多个一维卷积层，我们可以提取出更深层次的光谱特征。当然可以用一维卷积提取光谱特征，再利用二维卷积提取空间特征，然后将这两种特征进行融合，融合的方法可以是简单的拼接，也可以是复杂的特征级联或者多视图。
2024-03-08 14:15:21
1754
原创 光谱指数，红外波段，波数和波长
波数（k）是指垂直于波传播方向的波的周期性变化的空间频率，它表示单位长度内波的周期数。波数的单位是每米（m^-1）。cm-1和nm_波数γ≈（107）/ 波长λ(nm) cm-1与μm_波数γ≈（104）/ 波长λ(um)中红外波段的波长范围为1.3到3微米，是大部分红外传感器的工作波段，用于红外遥感、红外成像等领域。cm-1和nm_波长= （107）/波数γ cm-1和um_波长= （104）/波数γ。总结起来，波数和波长是一对相互依存的物理量，它们之间的关系是通过2π的倍数来联系的。
2023-12-13 21:15:54
1652
原创 多光谱数学公式
他发现远离银河系的天体发射的光线频率变低，即移向光谱的红端，称为红移，天体离开银河系的速度越快红移越大，这说明这些天体在远离银河系。波长λ等于波速u和周期T的乘积，即:λ=uT，因此同一频率的波长在不同介质中以不同速度传播，即波长不一样。光波的多普勒效应公式(即考虑络纶兹变化)为f=((c-v)/(c+v))^(1/2)*f。在运动的波源前面,波被压缩,波长变得较短,频率变得较高,在运动的波源后面,产生相反的效应,波长变得较长,频率变得较低,波源的速度越高,所产生的效应越大。
2023-12-11 20:44:39
384
原创 红外点阵光束算法
对比之下，Trinamix的技术超越FaceID的地方在于，它不仅仅进行传统的3D映射，其光束轮廓分析可以根据材料的反射光来区分材料，检测出正在验证的是“活体”皮肤还是逼真的硅胶面罩，同时Trinamix的技术不仅可以识别皮肤，还可以识别近100种不同的材料。基于3D人脸重建的活体检测：人脸被标准化到一个统一的标准的方向和位置，人脸的形状由数百个顶点表示，将人脸的 n 个顶点的 X、Y、Z 坐标串接起来，组成形状向量来描述人脸的 3D 形状。IPhoneX的FaceID使用深度相机来完成人脸的识别。
2023-12-10 22:38:39
248
原创 行人类型检测
由于HOG + SVM的方案计算量太大，为了提高速度，后面有研究者参考了VJ[6]在人脸检测中的分类器设计思路，将AdaBoost分类器级联的策略应用到了人体检测中，只是将Haar特征替换成HOG特征，因为Haar特征过于简单，无法描述人体这种复杂形状的目标。行人检测中的一大难题是遮挡问题，为了解决这一问题，出现了采用部件检测的方法，把人体分为头肩，躯干，四肢等部分，对这些部分分别进行检测，然后将结果组合起来，使用的典型特征依然是HOG，采用的分类器有SVM和AdaBoost。α为权重项，设置为 1。
2023-12-09 13:07:35
70
原创 完整模型训练套路
② tensor的requires_grad的属性默认为False，若一个节点（叶子变量：自己创建的tensor）requires_grad被设置为True，那么所有依赖它的节点requires_grad都为True（即使其他相依赖的tensor的requires_grad = False）④ with torch.no_grad的作用在该模块下，所有计算得出的tensor的requires_grad都自动设置为False。2. dataLoader加载数据。
2023-12-06 19:58:58
21
原创 完整模型训练套路
如果模型中有BN层(Batch Normalization）和Dropout，在测试时添加model.eval()。model.eval()是保证BN层能够用全部训练数据的均值和方差，即测试过程中要保证BN层的均值和方差不变。② 如果模型中有BN层(Batch Normalization）和 Dropout，需要在训练时添加model.train()。在model(test)之前，需要加上model.eval()，否则的话，有输入数据，即使不训练，它也会改变权值。
2023-12-06 19:58:38
24
原创 基于图像处理的多光谱技术
它基于不同波长光的特性，可以提供关于物质不同方面的信息，从而在科学研究、环境监测、农业生产、自然资源管理等方面具有广泛的应用。高光谱图像的每个像素点都代表了所反映的物体在不同波长的光线下的反射率或透过率，因此可以用于物体的分类、识别和定量分析。分析方法：高光谱数据需要更复杂的分析方法，例如光谱拟合和主成分分析等，而多光谱数据则可以通过简单的图像处理和分类方法进行分析。应用领域：多光谱数据主要用于土地利用和覆盖分类，而高光谱数据则被广泛用于环境监测，农业，矿产勘探和医疗诊断等领域。
2023-12-06 19:57:54
1009
原创 多光谱防伪
基于图像处理与机器学习的方法是当前提高复杂光照人脸识别人脸鲁棒性的两个主要途径，基于图像处理的方法，是从信息处理的角度运用全局或局部非线性映射减弱，消除复杂光照对人脸成像的影响，从人脸图像中提取与成像光照不相关的成分（光照不变量）作为后续特征提取与模式分类的依据。基于机器学习的方法，主要是通过光照完备的训练样本提高模式分类的光照鲁棒性，由于受到计算设别和运行效率的限制，实际应用环境中尽量采用较少数量的样本作为训练集更具有合理性和可行性，因此从复杂光照人脸图像中提取不变量的方法备受当前研究者的广泛关注。
2023-12-04 13:14:14
143
原创 多光谱防伪背景
基于图像处理的方法是从信息处理的角度运用，全局或局部非线性映射或减弱，消除复杂光照对人脸成像的影响，从人脸图像中提取与成像光照不相关的成分，（光照不变量）作为后续特征提取与模式分类的依据。基于机器学习的方式主要是通过光照完备的训练样本，提高模式分类的光照。随着计算机视觉与模式识别技术的发展，人脸识别作为一种生物特征鉴别模式逐渐应用各种身份验证和识别的领域，尽管人脸识别技术已经取得显著性的进步，但非控光照环境下人脸识别的光照鲁棒性依然是影响人脸识别性能应用场合的一个重要因素。
2023-12-04 13:13:43
252
原创 softmax回归，损失函数，分类
② 他的缺点是在零点处不可导，并在零点处左右有±1的变化，这个不平滑性导致预测值与真实值靠的比较近的时候，优化到末期的时候，可能会不那么稳定。① 相对L2 loss，L1 loss的梯度就是距离原点时，梯度也不是特别大，权重的更新也不是特别大。① 三个常用的损失函数 L2 loss、L1 loss、Huber’s Robust loss。① MINIST数据集是图像分类中广泛使用的数据集之一，但作为基准数据集过于简单。② 下面将使用类似但更复杂的Fashion-MNIST数据集。4.3 可视化数据集。
2023-12-01 18:12:09
133
原创 loss损失函数
因为L2范数将误差平方化（如果误差大于1，则误差会放大很多），模型的误差会比L1范数大的多，因此模型会对这种类型的样本更加敏感，这就需要调整模型来最小化误差。但是很大可能这种类型的样本是一个异常值，模型就需要调整以适应这种异常值，那么就导致训练模型的方向偏离目标了。也被称为最小绝对值偏差（LAD），绝对值损失函数（LAE）。一般回归问题会使用此损失，离群点对次损失影响较大。L2范数损失函数，也被称为最小平方误差（LSE）。L1损失函数相比于L2损失函数的鲁棒性更好。L1和L2都可以做损失函数使用。
2023-11-25 23:35:39
176
原创 池化层使用
④ 池化使得数据由5 * 5 变为3 * 3,甚至1 * 1的，这样导致计算的参数会大大减小。例如1080P的电影经过池化的转为720P的电影、或360P的电影后，同样的网速下，视频更为不卡。③ Ceil_model为当超出区域时，只取最左上角的值。② dilation为空洞卷积，如下图所示。2. 池化层数据处理。
2023-11-24 18:59:51
30
原创 卷积层使用
① 在 Anaconda 终端里面，激活py3.6.3环境，再输入 tensorboard --logdir=C:\Users\wangy\Desktop\03CV\logs 命令，将网址赋值浏览器的网址栏，回车，即可查看tensorboard显示日志情况。logdir是写入自己的log的绝对路径。② kernel_size在训练过程中不断调整，定义为3就是3 * 3的卷积核，实际我们在训练神经网络过程中其实就是对kernel_size不断调整。③ 可以根据输入的参数获得输出的情况，如下图所示。
2023-11-24 18:59:26
19
原创 卷积原理使用
③ 一个尺寸 a * a 的特征图，经过 b * b 的卷积层，步幅（stride）= c，填充（padding）= d，若d等于0，也就是不填充，输出的特征图的尺寸 =（a-b）/ c+1；若d不等于0，也就是填充，输出的特征图的尺寸 =（a+2d-b）/ c+1。② 填充：在输入特征图的每一边添加一定数目的行列。设置填充的目的：希望每个输入方块都能作为卷积窗口的中心，或使得输出的特征图的长、宽 = 输入的特征图的长、宽。① 卷积核不停的在原图上进行滑动，对应元素相乘再相加。
2023-11-24 18:58:56
25
原创 module
② 因为 PyTorch 中的大部分方法都继承自 torch.nn.Module，而 torch.nn.Module 的__call__(self)函数中会返回 forward()函数 的结果，因此PyTroch中的 forward()函数等于是被嵌套在了call(self)函数中；② 我们的神经网络是继承nn.Module这个类，即nn.Module为父类，nn.Module为所有神经网络提供一个模板，对其中一些我们不满意的部分进行修改。而且是用nn.Module的初始化方法来初始化继承的属性。
2023-11-23 23:29:22
13
原创 Dataloader
① 在 Anaconda 终端里面，激活py3.6.3环境，再输入 tensorboard --logdir=C:\Users\wangy\Desktop\03CV\logs 命令，将网址赋值浏览器的网址栏，回车，即可查看tensorboard显示日志情况。② Dataloader就是把数据加载到神经网络当中，Dataloader所做的事就是每次从Dataset中取数据，至于怎么取，是由Dataloader中的参数决定的。
2023-11-23 23:29:07
18
原创 torchvision
① 在 Anaconda 终端里面，激活py3.6.3环境，再输入 tensorboard --logdir=C:\Users\wangy\Desktop\03CV\logs 命令，将网址赋值浏览器的网址栏，回车，即可查看tensorboard显示日志情况。导入torchvision包，输入train_set = torchvision.datasets.CIFAR10(root="./dataset",train=True,download=True)命令，即下载数据集到到该文件夹下。
2023-11-23 23:28:51
57
原创 transforms用途
② 在 Anaconda 终端里面，激活py3.6.3环境，再输入 tensorboard --logdir=C:\Users\wangy\Desktop\03CV\logs 命令，将网址赋值浏览器的网址栏，回车，即可查看tensorboard显示日志情况。① Tensor有一些属性，比如反向传播、梯度等属性，它包装了神经网络需要的一些属性。① Transforms的工具主要关注他的输入、输出、作用。3.4.1 RandomCrop随即裁剪方式一。3.4.2 RandomCrop随即裁剪方式二。
2023-11-23 23:28:31
10
原创 手机屏幕中的Face ID 面部识别技术是如何实现的？为什么有时候识别不准？
对于手机来说，点阵投射出可分辨的光斑越多，识别的精度就越高。面部识别技术的核心就是把采集到的人脸信息拿去和系统中已经提前录入的人脸信息做对比，因为机器并不能像人一样进行直观视觉上的对比，它只能通过一定的算法去核实两份人脸信息之间的重合率，所以能不能顺利通过人脸验证的关键就在于系统算法是否强大以及它的兼容范围是否够宽广，就好像你输入了一份自认为很完美的人脸信息但是系统的算法会以人脸左右两侧的明暗度不一致而“驳回”的你的验证要求，当你拿着相同的人脸信息去另外一套系统里进行验证时却很容易就能通过验证。
2023-11-23 23:28:09
474
原创 tensorboard用途
② 为避免多人使用端口导致冲突，也可以在后面加上后缀，使得端口独立，tensorboard --logdir=C:\Users\wangy\Desktop\03CV\logs --port=6008。① Tensorboad 可以用来查看loss是否按照我们预想的变化，或者查看训练到某一步输出的图像是什么样。③ 输入网址可得Tensorboard界面。3.tensorboard读取图片。1.tensorboard写日志。
2023-11-22 21:08:35
84
原创 pytorch加载数据
② 常用的第二种形式，lebel为文本格式，文本名称为图片名称，文本中的内容为对应的label。Dataset提供一种方式去获取每个数据及其对应的label，告诉我们总共有多少个数据。Dataloader为后面的网络提供不同的数据形式，它将一批一批数据进行一个打包。① Pytorch中加载数据需要Dataset、Dataloader。① 常用的第一种数据形式，文件夹的名称是它的label。2. 常用数据集两种形式。
2023-11-22 21:07:15
124
转载 多光谱技术
组织的自发荧光限制了荧光染料在体内成像的应用，在活体种动物中，动物肠胃内容物，皮肤等均有很强的荧光信号，特别是当激发光为蓝色或者是绿色时尤为明显，通过利用近红外发射波长的荧光染料，可以减少光的散射，吸收自发的荧光，但是自发的荧光仍然限制着成像的灵敏度，成像依然不是很理想，而通过多光谱的成像技术，可以消除自发荧光的影响槊，使得其在多荧光标记和混合标记方面有很好的应用。收集到的数据形成一个所谓的高光谱立方体，通常图像的横纵坐标分别表示光谱的波长和光谱强度。通俗理解为通道数，即能获取的不同中心波长的波段数。
2023-11-22 17:18:36
610
原创 红外技术特性
由此可见，红外技术的研究涉及的范围相当的广泛，既有目标的红外辐射特性，背景特性，又有红外元，部件及系统；红外技术的发展关键在于红外材料的研制，红外设备的制冷，红外设备向更长波段发展，红外焦平面阵列器件的研制和红外设备与数据处理设备的结合等。研究红外辐射的产生，传播，转化，测量及其应用的技术科学。通常人们将其划分为进，中，远红外三部分。5微米，8~13微米可让红外辐射通过，因而在军事应用上，有分别将这三个波段划分为近，中， 远红外。2.红外元件，部件的研制，包括辐射源，微型制冷器，红外窗口材料和滤光电等。
2023-11-22 14:49:34
51
LED打红外散点判断每个像素点的状态
2023-11-29
人脸识别问题相关技术
2023-11-24
人脸特征防伪识别技术
2023-11-23
深度学习中的梯度衰减
2023-11-23
pytorch的Cnn深度学习
2023-11-23
基于多光谱的人脸特征防伪
2023-11-22
多光谱在人脸图像领域的研究
2023-11-20
TA创建的收藏夹 TA关注的收藏夹
TA关注的人