深度学习
冒个泡啊
挣扎在毕业线上的菜鸡
展开
-
YoloV3检测到目标裁剪保存至本地
使用opencv将裁剪的文件保存至本地检测结果通常带有四个坐标:x1,x2,y1,y2image=cv2.imread(path)#path是原图路径cropped = image[int(y1): int(y2), int(x1):int(x2)]cv2.imwrite(cropname, cropped)#cropname是新的路径与文件名...原创 2019-12-24 16:51:28 · 3034 阅读 · 2 评论 -
Pytorch py3.6 Cuda9.0 运行时Cudnn报错
运行时cudnn报如下错误:RuntimeError: cuDNN error: CUDNN_STATUS_EXECUTION_FAILED解决办法:1.先尝试如下:import torchtorch.backends.cudnn.benchmark=True2.查看torch cuda cudnn版本是否兼容先尝试1,不要一上来就是卸载,以免越来越乱...原创 2019-12-24 15:35:31 · 309 阅读 · 0 评论 -
目标检测算法(一)RCNN
深度学习的目标检测:数据驱动进行表示学习根据训练数据自适应构建特征提取器缺点:需要大量有标注数据学习过程和所学到的表示难以解释高度非线性RCNN关键词:1候选框 selective research2对于候选框的分类与回归流程:image--->产生近2000个候选框--->对每个候选框输入到卷积网络--->CNN后的特征分别放入BBO...原创 2019-05-13 22:00:47 · 425 阅读 · 0 评论 -
目标检测算法(二)Fast RCNN
Fast RCNN解决了RCNN的三个问题: 测试速度慢,训练速度慢,训练所需空间大。训练测试速度慢是因为一张图片候选框之间大量重叠,提取特征操作冗余。训练需要空间大是因为独立的分类器和位置回归器需要大量特征作为样本。Fast RCNN概述: 算法主网络基于VGG16,训练的步骤: 可参考:https:/...原创 2019-05-15 14:28:33 · 485 阅读 · 0 评论 -
目标检测算法(三)Faster RCNN
Faster RCNN 由于Fast RCNN仍然使用的是Selective Research算法生成候选框。SS算法不能在GPU上运行,运行速度慢。因此提出了Faster RCNN对其进行改进。 Faster RCNN可以简单的看做是区域生成网络+FastRCNN.用区域生成网络代替SS。区域生成网络RPN RPN主要用于生成region proposal。 补充一下边框回归...转载 2019-05-16 10:32:11 · 200 阅读 · 0 评论 -
RCNN&Fast RCNN&Faster RCNN比较
三种网络对比:RCNN 1. 在图像中确定约1000-2000个候选框 (使用选择性搜索) 2. 每个候选框内图像块缩放至相同大小,并输入到CNN内进行特征提取 3. 对候选框中提取出的特征,使用分类器判别是否属于一个特定类 4. 对于属于某一特征的候选框,用回归器进一步调整其位置Fast RCNN 1. 在图像中确定约1000-2000个候选框 (使用选择性搜索) ...转载 2019-05-16 10:49:50 · 1343 阅读 · 0 评论 -
tensorflow VGG训练数据获取--文件夹方式
1.将文件夹中的图片路径路径写入csvimport部分import csvimport osimport numpy as npimport tensorflow as tf#将文件夹下数据路径用csv存储 参数1:数据文件 写到列别目录的上一级例如:h://data//train// 2:csv文件def dirTocsv(DataDir,csvFile): ou...原创 2019-07-04 15:11:06 · 454 阅读 · 0 评论 -
Tensorflow K折交叉验证使用方法
K折交叉验证imageList,labelList,totalData=getData.genImageList(csvname) index = [i for i in range(len(imageList))] random.shuffle(index) imageList = imageList[index] labelList = lab...原创 2019-07-04 15:20:12 · 8025 阅读 · 4 评论