weixin_41940752的博客

集成学习（ensemble learning）是机器学习中一类学习算法，值训练多个学习器并将它们组合起来使用的方法。这类算法通常在实践中会取得比单个学习器更好的预测结果。基于数据的集成在训练阶段的数据扩充在测试阶段仍然适用。 诸如图像多尺度， 随机剪裁等。以随机剪裁为例， 对某张测试图片随机剪裁可得到n 张图像，测试阶段只需要用训练好的深度网络模型对n张图分别做预测， 之后将预测的各类置信度平均作为该测试图像最终预测结果即可。数据扩充具体操作方法见前文：https://blog.csdn.net/

构建验证集在机器学习与深度学习模型的训练过程中，模型非常容易出现过拟合的现象。构建验证集能够有效解决过拟合问题，验证集需要尽可能与测试集保持一致，在训练过程中不断验证模型在验证集上的精度，以此控制模型训练。验证集构建方法（1）留出法(Hold-out)这种方法直接将训练集分成新的训练集与验证集。优点是直接简单，缺点是只得到一份验证集，有可能导致模型在验证集上出现过拟合。留出法适用于数据量较大的情况。（2）交叉验证法(Cross Validation)将训练集划分为K份，将其中的K-1份作为训.

数据增广：基于图像处理的数据增广：几何变换（旋转、缩放、翻转、剪裁、平移、仿射变换）颜色空间变换（亮度、对比度、饱和度调整、颜色空间转行、色彩调整）添加噪声和滤波（注入高斯噪声、椒盐噪声，模糊、锐化）图像混合mixing image随机擦除 random erasing基于深度学习的数据增广基于GAN的数据增强：可用于解决类别不平衡问题神经风格转换：生成不同风格数据，防止模型过拟合AutoAugment3.使用Pytorch进行数据增强transforms.Compose

上一篇文章已经将pytorch环境配置完毕，本篇对baseline代码进行解析。下一篇文章将对baseline进行改进。相关库导入import os, sys, glob, shutil, jsonos.environ["CUDA_VISIBLE_DEVICES"] = '0' ##用于指定用哪块GPUimport cv2from PIL import Imageimport numpy as npfrom tqdm import tqdm, tqdm_notebook ##时间进

直接anaconda 里直接安装，一直装不上torchvision,版本冲突，由于anaconda自带python3.7，更换python3.6环境。由于之前安装过删除过虚拟环境，一直出现查阅相关资料表示，由于多次创建删除导致两个路径的libssl-1_1-x64.dll时间不一致，需替换统一。按此操作后仍不能解决。直接卸载重装。卸载anaconda使用自带的uninstall.exe3.重新安装后创建虚拟环境conda create -n py36 python=3.6出现错误(..

总个过程分为4个步骤：a)selective search找出2000个候选框；CNN对输入图片的大小是固定的，因此对于每个输入的候选框都需要缩放到固定的大小；用IOU为2000个bounding box打标签，以便下一步CNN训练使用。IoU大于0.5，那么我们就把这个候选框标注成物体类别，否则我们就把它当做背景类别。b)利用CNN提取特征向量，特征维度为4096；网络架构我们有两个可选方案：第一选择经典的Alexnet；第二选择VGG16。精度比较：Alexnet精度为58.5%，VGG16

CNN史上的一个里程碑事件是ResNet模型的出现，ResNet可以训练出更深的CNN模型，从而实现更高的准确度。ResNet模型的核心是通过建立前面层与后面层之间的“短路连接”（shortcuts，skip connection），这有助于训练过程中梯度的反向传播，从而能训练出更深的CNN网络。今天我们要介绍的是DenseNet模型，它的基本思路与ResNet一致。ResNet是每个层与前面的某...

在实际中应用CNN受限于硬件运算能力与存储（比如几乎不可能在ARM芯片上跑ResNet-152）。所以必须有一种能在算法层面有效的压缩存储和计算量的方法。而MobileNet/ShuffleNet正为我们打开这扇窗。假设有输入feature map，尺寸为HWC，同时有 k个 hw卷积核。对于一般卷积，输出feature map尺寸为H’W’k而Group convolution的实质就是将c...

Xception是google继Inception后提出的对Inception v3的另一种改进，主要是采用depthwise separable convolution（深度可分离卷积）来替换原来Inception v3中的卷积操作。其实就是将传统的卷积操作分成两步，假设原来是33的卷积，那么depthwise separable convolution就是先用M个33卷积核一对一卷积输入的M...

基本思想：不需要人为决定使用哪个过滤器，或是否需要池化，而是由网络自行确定这些参数，你可以给网络添加这些参数的所有可能值，然后把这些输出连接起来，让网络自己学习它需要什么样的参数，采用哪些过滤器组合。Inception V1它最大的特点是控制了计算量和参数量的同时，获得了非常好的分类性能——top-5错误率6.67%，只有AlexNet的一半不到。Inception V1有22层深，比Alex...

简单来说，resnet巧妙地利用了shortcut连接，解决了深度网络中模型退化的问题。模型特点：（1）在卷积核relu之间增加了BNdef conv_batchnorm_relu(x, filters, kernel_size, strides): x = Conv2D(filters=filters, kernel_size=kernel_size...

VGG16VGG16相比AlexNet的一个改进是采用连续的几个3x3的卷积核代替AlexNet中的较大卷积核（11x11，7x7，5x5）。对于给定的感受野（与输出有关的输入图片的局部大小），采用堆积的小卷积核是优于采用大的卷积核，因为多层非线性层可以增加网络深度来保证学习更复杂的模式，而且代价还比较小（参数更少）。网络结构VGG-16的这个数字16，就是指在这个网络中包含16个卷积层和...

网络结构from tensorflow.keras.layers import Input, Conv2D, \ BatchNormalization, MaxPool2D, Flatten, Dense, Dropoutinput = Input(shape=(224, 224, 3))x = Conv2D(filters=96, kernel_siz...

1×1卷积的作用以下内容摘抄自：http://www.caffecn.cn/?/question/136问：发现很多网络使用了1X1卷积核，这能起到什么作用呢？另外我一直觉得，1X1卷积核就是对输入的一个比例缩放，因为1X1卷积核只有一个参数，这个核在输入上滑动，就相当于给输入数据乘以一个系数。不知道我理解的是否正确答1：对于单通道的feature map和单个卷积核之间的卷积来说，题主的...

原文地址：http://blog.csdn.net/hjimce/article/details/50866313一、背景意义近年来深度学习捷报连连、声名鹊起，随机梯度下架成了训练深度网络的主流方法。尽管随机梯度下降法对于训练深度网络简单高效，但是它有个毛病，就是需要我们人为的去选择参数，比如学习率、参数初始化、权重衰减系数、Drop out比例等。这些参数的选择对训练结果至关重要，以至于我们...

为了检测边缘，我们需要检测图像中的不连续性，可以使用导数来检测不连续性。但是，导数也会受到噪声的影响，因此建议在求导数之前先对图像进行平滑处理。Sobel算子Sobel算子是一阶导数的边缘检测算子，在算法实现过程中，通过3×3模板作为核与图像中的每个像素点做卷积和算，然后选取合适的阈值以提取边缘。左侧代表在x方向上进行加权差分，右侧代表在y方向上的加权差分。此处要注意的是，卷积核在真正参...

最大类间方差法（大津阈值法）threshold ( InputArray src, OutputArray dst, double thresh, double maxval,int type)src — input array (single-channel, 8-bit or 32-bit floating point).dst — output array of the same ...

线性滤波方框滤波当normalize=true的时候，方框滤波就变成了我们熟悉的均值滤波。也就是说，均值滤波是方框滤波归一化（normalized）后的特殊情况。其中，归一化就是把要处理的量都缩放到一个范围内,比如(0,1)，以便统一处理和直观量化。而非归一化（Unnormalized）的方框滤波用于计算每个像素邻域内的积分特性，比如密集光流算法（dense optical flow ...

我们生活中大多数看到的彩色图片都是RGB类型，但是在进行图像处理时，需要用到灰度图、二值图、HSV、HSI等颜色制式，opencv提供了cvtColor()函数来实现这些功能。首先看一下cvtColor函数定义：cvtColor(InputArray src, OutputArray dst, int code, int dstCn=0 );参数解释：. InputArray src: 输入...

几何变换（1）图像平移Mat move(Mat &src, int x_off, int y_off) { int rows = src.rows + y_off; int cols = src.cols + x_off; Mat dst = Mat::zeros(rows, cols, src.type());//注意与上面的差别，行列重新选值 for (int i = ...