![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
python
文章平均质量分 86
帅殿天下
这个作者很懒,什么都没留下…
展开
-
图片转视频python/ffmpeg
图片转视频python,ffmpeg原创 2022-03-26 18:13:37 · 5723 阅读 · 0 评论 -
QGIS使用python控制台完成任务
qgis使用python控制台完成逻辑,和写脚本,代码案例原创 2022-02-15 11:44:31 · 2184 阅读 · 0 评论 -
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。原创 2022-01-04 13:15:08 · 1288 阅读 · 7 评论 -
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,并且使用了原创 2021-07-01 09:04:51 · 214 阅读 · 0 评论 -
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)的方法解决小样原创 2021-06-16 19:26:29 · 1277 阅读 · 0 评论 -
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,如何能原创 2021-06-16 19:03:05 · 4725 阅读 · 0 评论 -
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原创 2021-06-16 18:52:16 · 932 阅读 · 0 评论 -
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原创 2021-06-16 18:36:32 · 1251 阅读 · 0 评论 -
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原创 2021-06-16 18:19:46 · 317 阅读 · 0 评论 -
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原创 2021-06-16 17:55:39 · 1356 阅读 · 0 评论 -
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原创 2021-06-16 15:24:53 · 1636 阅读 · 0 评论 -
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,下面列出了通用的原创 2021-06-08 16:58:22 · 214 阅读 · 0 评论 -
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原创 2021-03-21 15:40:16 · 346 阅读 · 0 评论 -
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 找代价最低点原创 2021-01-08 16:02:08 · 519 阅读 · 1 评论 -
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原创 2020-12-22 08:12:19 · 819 阅读 · 0 评论