![](https://img-blog.csdnimg.cn/20201014180756922.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习&机器视觉
文章平均质量分 67
seu_nuaa_zc
这个作者很懒,什么都没留下…
展开
-
DPM Release5 在Windows编译及训练自己的模型
由于最近要做目标检测,需要用到DPM模型,DPM作为连续三年检测冠军,检测效果让人惊讶。不过最近好像又有用FAST R-CNN进行目标检测,而且效果相当不错,应用到实时处理没有问题。如果要用DPM5的话,一般大小的图片(600*600)通过划定兴趣区域,可以做到一秒一帧。今天主要讲的还是如何在Windows下跑通DPM5的代码,其中过多的的原理我不会讲解,纯粹是从调试代码的角度考虑的。前面有不原创 2016-09-02 11:55:49 · 5434 阅读 · 31 评论 -
关于目标再识别的个人见解
目标再识别也叫目标重识别,目前集中在行人再识别和车辆再识别领域,尤其是行人再识别研究较多,公开的数据集也比较多。目标再识别主要用于解决目标的跨相机跟踪,实现场景匹配可以实现嫌疑行人/车辆的跨视场跟踪以及轨迹预测等。 但是就目前而言,我觉得大部分关于目标再识别的论文都有点做的不当的地方。目标再识别主要用于解决跨相机跟踪,需要将一个场景下的模型迁移到另外一个场景,但是目前...原创 2018-07-04 00:01:57 · 3599 阅读 · 2 评论 -
faster rcnn配置笔记
一、Faster rcnn(Windows+caffe+matlab+GPU)训练部分安装笔记1、下载caffe_library,链接:http://pan.baidu.com/s/1jI1ld22 密码:nfd22、下载caffe-faster-R-CNN,链接:http://pan.baidu.com/s/1nv1eY9N 密码:1rgj3、参考本人写的博客:http://blog.csdn...原创 2018-06-02 16:32:38 · 528 阅读 · 1 评论 -
ColorNaming(颜色命名)
颜色命名 本节主要讲一下颜色命名相关的知识,首先推荐一个研究颜色命名的网址:http://www.cat.uab.cat/downloads/本文主要讲三种颜色命名的方法:1、TSE模型,对11种颜色建模,主要是用曲面拟合每种颜色的边界,推荐两篇papers;《Parametric fuzzy sets for automatic color naming》,MatlabCode见“...原创 2018-06-02 16:12:54 · 6910 阅读 · 4 评论 -
Caffe学习笔记系列5—基于损失函数为Center Loss的模型训练和特征提取
Caffe学习笔记系列5—基于损失函数为Center Loss的模型训练和特征提取 这一部分实在不想写,后面在补上吧。我把所有东西都放在”CaffeTest5“文件夹中。原创 2018-06-02 21:16:04 · 527 阅读 · 0 评论 -
Caffe学习笔记系列4—基于改进的Saimese网络的模型训练和特征提取
Caffe学习笔记系列4—基于改进的Saimese网络的模型训练和特征提取本小节主要讲解改进的Siamese网络的模型训练,其实也算不上改进,主要讲的还是如何准备改进的Siamese网络的数据准备,对于特征提取部分则不再介绍,跟前面的方法雷同。所谓的改进是在传统的Siamese网络的对比损失函数中添加softmax损失,及损失函数是对比损失和softmax损失的权重和。对于改进的Siamese网络...原创 2018-06-02 21:15:47 · 591 阅读 · 1 评论 -
Caffe学习笔记系列3—基于Saimese网络的模型训练和特征提取
Caffe学习笔记系列3—基于Saimese网络的模型训练和特征提取本节主要讲解Siamese网络的模型训练和特征提取,其中特征提取将不再讲述,和Caffe学习笔记系列2是一样的。本节主要是讲解如何训练Siamese网络模型以及如何准备该网络需要的输入数据格式。 在“Caffe学习笔记系列”文件夹中建立“CaffeTest3”文件夹,本节的所有操作在该文件夹进行。本节分为两部分,第...原创 2018-06-02 21:15:41 · 676 阅读 · 1 评论 -
Caffe学习笔记系列2—基于AlexNet网络的模型训练和特征提取
Caffe学习笔记系列2—基于AlexNet网络的模型训练和特征提取本节主要讲解AlexNet网络的模型训练和特征提取,主要是利用AlexNet对自己的数据进行训练。 在“Caffe学习笔记系列”文件夹中建立“CaffeTest2”文件夹,本节的所有操作在该文件夹进行。一、模型的训练1、 源数据(图片)准备。首先建立Data文件夹,文件夹里面再建立子文件夹,子文件夹命名从0开始,...原创 2018-06-02 21:15:35 · 3246 阅读 · 1 评论 -
Caffe学习笔记系列1—在VS2013工程中添加Caffe依赖项
Caffe学习笔记系列1—在VS2013工程中添加Caffe依赖项本节主要讲解在Caffe编译成功之后,如何在自己的工程中添加依赖项。对于Caffe如何编译不再详述,可参考网上,另外,推荐一个Caffe模型的可视化工具Netscope,链接如下:http://ethereon.github.io/netscope/#/editor。下面切入正题。首先在E盘中建立“Caffe学习笔记系列”文件夹,本...原创 2018-06-02 21:15:27 · 851 阅读 · 1 评论 -
准确率与召回率
在信息检索、分类体系中,有一系列的指标,搞清楚这些指标对于评价检索和分类性能非常重要,因此最近根据网友的博客做了一个汇总。准确率、召回率、F1信息检索、分类、识别、翻译等领域两个最基本指标是召回率(Recall Rate)和准确率(Precision Rate),召回率也叫查全率,准确率也叫查准率,概念公式: 召回率(Recall) = 系统检索转载 2017-02-08 16:32:20 · 481 阅读 · 0 评论 -
三线性插值在HOG中的应用
所谓的三线性插值指的是在(x,y,theta)这三个参数空间中进行插值,即x方向、y方向和梯度的角度空间,象素点(x,y)在利用梯度幅值作为权重进行投票时,要根据该象素点距离其他格子中心的距离进行加权,同时该象素点的梯度方向也要在其相邻的区间内进行插值,用数学公式描述如下式所示。 三线性插值在具体实现中,可以利用LUT(look-up-tabl转载 2016-12-22 22:52:41 · 1561 阅读 · 0 评论 -
Deformable Parts Model (DPM) 简介
Deformable Parts Model (DPM) 是一种很成功的物体检测方法。可以说这种方法是从HOG继承而来的。传统的HOG特征只采用一个模板表示某种物体,而DPM把物体的模板划分成根模型和部分模型,其中的根模型等效于传统的HOG特征,部分模型则是物体某些部分的模板。在检测的时候,根模型用来对物体可能存在的位置进行定位,部分模型用来进行进一步的确认。付出了更多的运算量使得DPM的检测效果转载 2016-12-22 22:47:34 · 1505 阅读 · 0 评论 -
《车辆再识别》毕业论文节选
我将车辆再识别毕业论文节选部分pdf传到GitHub上面,链接如下:《车辆再识别》毕业论文节选原创 2018-07-03 12:18:20 · 1463 阅读 · 0 评论