- 博客(19)
- 资源 (1)
- 问答 (4)
- 收藏
- 关注
RSS订阅原创 FITS概要
相对于上述的一般图像格式，FITS格式原本也是作为天文领域的图像交换用格式而被开发的。这在FITS (Flexible ImageTransport System)上也有所体现。因为最初被提出是在1979年，所以反而比一般的图像格式成立得早。但是，就像Flexible的名字一样，目标是不限于图像，也能用于数据交换的格式。也就是说，不仅限于图像。目前压缩还没有包含在规格中。例如，用编辑器打开FITS文件(下左)和bmp文件(下右)，就会变成下面这样。
2022-12-20 20:18:23
2673
1
原创 什么是星等？
星等（magnitude）是衡量天体亮度的一种量度单位。它通常用来描述恒星、行星和其他天体的亮度，是一种相对量度，即与观测者的距离无关。星等是以罗马数字表示的，1等星是最亮的，6等星是最暗的。星等的取值范围为-26到30，其中-26等星是最亮的，30等星是最暗的。例如，北斗七星是一个1等星，而绝大多数恒星都是6等星。星等是通过比较天体亮度与一个标准星亮度的差。视星等（apparent magnitude）是指天文学家们根据人眼观测得到的天体亮度。它是一种相对量度，即与观测者的距离无关。
2022-12-09 18:27:29
3999
原创 Deepstream6.0-Jetpark4.6-yolov5-v6.0-tensorRT-Jetson-xavier-nx项目部署环境搭建
安装Deepstream-sdk6.0版本的，或者支持的Jetback的版本是4.6版本，如果是Jetback其他版本的话，检查需要是4.5或者4.5.1的版本，然后两个不同版本的代码还有轻微的区别，Deepstream6.0的版本增加了python的一些插件，和更改了追踪器的使用方法，具体可以阅读，英伟达的说明文档，接下来先说明安装Jetback4.6 + Deepstream-sdk6.0的 版本，也是比较新的，最近更新就在两个月前。JetBack 4.6 Deepstream-sdk 6.0版本。
2022-01-04 13:15:08
1270
7
原创 Fast-R-CNN
Fast RCNN动机Fast R-CNN是继R-CNN和SPPnet之后的又一篇目标检测的经典之作。首先文中分析了R-CNN和SPPnet的一些不足之处，包括多阶段训练、空间和时间消耗大等。所以本文就是对R-CNN和SPPnet做改进，然后提出了Fast R-CNN。2. 贡献(Contribution)新提出的Fast R-CNN模型解决了之前模型存在的问题，并使得模型具有以下的优点：目标检测的性能(mAP)要高于R-CNN和SPPnet整个训练过程是single-stage的，并且使用了
2021-07-01 09:04:51
213
原创 YOLOV1
YOLOv1介绍人们只需瞥一眼图片就知道图片中有什么物体，物体的位置及它们之间的联系。人类的视觉系统是快速而准确的，使我们可以做很复杂的事，比如开车时不用刻意去思考。快速，准确的物体检测算法将允许计算机在没有专用传感器的情况下驾驶汽车，使辅助设备能够向人类用户传达实时场景信息，并释放通用，响应式机器人系统的潜力。yolo的几个优势第一,YOLO速度非常快,我们可以把检测看做是一个分类和回归的问题,不需要复杂的流程,在测试过程中,我们只需要将一个新的图片,输入到网络中来检测物体,yolov1的基本网络
2021-06-30 19:59:28
289
原创 R-CNN流程介绍
创新点1、R-CNN采用Selective Search算法预先提取出可能包含目标的 Region Proposal（候选区域），替代传统算法（DPM等）的滑动窗口法，提高速度。2、使用CNN提取Region Proposal的特征。从经验驱动特征（SIFT、HOG）到数据驱动特征（CNN feature map），提高特征对样本的表示能力。3、采用大数据集下（ImageNet ILSVC 2012）有监督预训练和小数据集下（PASCAL VOC 2007）微调（fine-tuning）的方法解决小样
2021-06-16 19:26:29
1268
原创 Resnet概述及代码
ResNet网络由来《用于图像识别的深度残差学习》（Deep Residual Learning for Image Recognition）[1]。这篇论文获得了 CVPR 2016 的最佳论文，在发表之后的两年间里获得了超过 1 万 2 千次的论文引用。6.2 论文的主要贡献我们前面介绍 VGG 和 GoogleNet 的时候就已经提到过，在深度学习模型的前进道路上，一个重要的研究课题就是神经网络结构究竟能够搭建多深。这个课题要从两个方面来看：第一个是现实层面，那就是如何构建更深的网络，如何能
2021-06-16 19:03:05
4714
原创 GoogleNet概述及代码
GoogLeNet5.1 GoogleNet名称由来《更深层的卷积》（Going deeper with convolutions）[2]。因为这篇论文的作者基本都来自于谷歌，所以文章提出的模型有时候又被叫作 GoogleNet。这篇论文拥有 8 千多次的引用数。GoogleNet 不仅和 VGG 一样在把架构做“深”上下文章，而且在模型的效率上比 AlexNet 更加优秀。作者们利用了比 AlexNet 少 12 倍的参数，在更深的架构上达到了更好的效果。5.2 文章的重点创新GoogleNet
2021-06-16 18:52:16
928
原创 VGG理论概述，torch，tensorflow代码实现
vggnetAlexNet 在 2012 年发表之后，研究界对这个模型做了很多改进工作，使得这个模型得到了不断优化，特别是在 ImageNet 上的表现获得了显著提升。针对 AlexNet 模型的两个重要改进，分别是 VGG 和 GoogleNet。4.1 VGGNet名称由来及作者介绍论文题目是《用于大规模图像识别的深度卷积网络》（Very Deep Convolutional Networks for Large-Scale Image Recognition）[1]。这篇文章的作者都来自于英国牛
2021-06-16 18:36:32
1216
原创 alexnet卷积网络及代码
AlexNet3.1 名字由来及作者介绍《基于深度卷积神经网络的图像网络分类》（ImageNet Classification with Deep Convolutional Neural Network）[1]。因为这篇文章的第一作者名字叫 Alex，所以文章提出的模型也经常被称为 AlexNet。可以说，这篇文章是深度学习在计算机视觉领域发挥作用的奠基之作。那接下来我们就先介绍一下这篇论文的作者群。第一作者就是亚力克斯·克里切夫斯基（Alex Krizhevsky）。发表这篇论文的时候他在多
2021-06-16 18:19:46
309
原创 计算机视觉概述
计算机视觉概述可以说，计算机视觉技术是人工智能技术的核心方向，特别是深度学习技术在计算机视觉中的应用，在最近五六年的人工智能浪潮中担当了先锋者的角色。甚至可以说，如果没有深度学习技术在过去几年对计算机视觉一些核心领域的推动和促进，就很可能没有这一波的人工智能技术浪潮。我们可以这么来看待人工智能技术，它可以说是利用计算机技术来对人的感官，例如视觉、听觉、触觉以及思维进行模拟，从而建立起逻辑推断等智能才具备的能力。其中，计算机视觉技术无疑是至关重要的，也是非常困难的。今天我会带你先来看看究竟什么是计算机视
2021-06-16 17:55:39
1347
原创 pytorch基础讲解及代码
pytorch基础1.1 基本数据：TensorTensor，即张量，是PyTorch中的基本操作对象，可以看做是包含 单一数据类型元素的多维矩阵。从使用角度来看，Tensor与NumPy的 ndarrays非常类似，相互之间也可以自由转换，只不过Tensor还支持 GPU的加速。本节首先介绍Tensor的基本数据类型，然后讲解创建Tensor的多种 方法，最后依次介绍Tensor在实际使用中的常见操作，如变形、组合、 排序等。1.1.1 Tensor数据类型Tensor在使用时可以有不同的数据类
2021-06-16 15:24:53
1597
原创 Visdom学习与实战TorchMNIST
对visdom做综合学习，和实战应用安装和启动服务：安装：pip install visdom启动：python -m visdom.server启动后可以在此链接中看到界面http://localhost:8097接口：大多数接口可以输入一个tensor(保存数据），和一个可选的tensor Y（标签或者时间戳）, 另外都可以指定窗口win,和汇出图添加到那个env上，另外options输入可以修改默认的绘图属性，输入参数基于表中键的匹配，有一些通用的options可以选择,下面列出了通用的
2021-06-08 16:58:22
213
原创 Tensorflow2.0快速入门必了解函数
TensorFlow基本概念:程序 = 数据结构+算法TensorFlow程序 = 张量数据结构 + 计算图计算语言张量和计算图是TensorFlow的核心概念。TensorFlow的基本数据结构是张量tensor,张量即多维数组,类似于numpy中的array常量 : contant 变量: Variable常量的值在计算图中不可以被重新赋值，变量可以在计算图中用assign等算子重新赋值。不同类型的数据可以用不同维度(rank)的张量来表示。标量为0维张量，向量为1维张量，矩阵为2
2021-03-21 15:40:16
340
原创 机器学习数据挖掘
线性回归:算法流程:1 设定模型y = θ0+θ1X θ的值是随机创建2 计算代价costmes均方误差cost = 1/(2m)∑(X(i)θ - y(i))3 梯度下降计算θ的导数△θ = 1/m*x.T更新θ: θ:=θ - α△θ初始化theta， 标准正态随机 random.randn 均值0 标准差1（迭代次数少）循环通过模型计算预测值求代价函数 1/2m * ∑ (预测值-实际值）²梯度下降 找代价最低点
2021-01-08 16:02:08
519
1
原创 线性拟合过程动态图
import matplotlib.pyplot as pltimport numpy as npfrom sklearn import preprocessingimport matplotlib.font_manager as fmdata = np.loadtxt('./数据集/ex1data1.txt',delimiter=',')plt.rcParams['font.sans-serif'] = ['SimHei']x = data[:,:-1]y = data[:,-1]# xx
2020-12-22 08:12:19
817
原创 PCA与SVD学习笔记
PCA与SVDPCA：PCA定义:PCA（Principal Component Analysis）是一种常用的数据分析方法。是一种无监督降维方法,PCA通过线性变换将原始数据进行线性变换、映射到低维空间中，使得各维度线性无关的表示，可用于提取数据的主要特征分量。缺少特征值信息的数据影响和处理解决方法可以有四种:1.直接删除缺失的样本优点:简单 缺点:浪费资源,无法处理大量缺失的任务2.用平均值,中位数,分位数,众数,随机值等代替优点:简单 缺点:认为增加了噪声3.用其他变量做预测
2020-12-10 13:47:23
195
目标检测任务中，识别上千类别
2021-08-31
python爬虫如何解析到$0里的内容
2021-08-29
TA创建的收藏夹 TA关注的收藏夹
TA关注的人