计算机视觉与深度学习 学习笔记

最新推荐文章于 2024-10-18 14:33:01 发布
最新推荐文章于 2024-10-18 14:33:01 发布
阅读量1.1k 收藏
点赞数
文章标签： 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43819388/article/details/122274899
版权
本文探讨了卷积在图像处理中的线性、平移不变性和分配律特性，重点关注高斯滤波器。高斯滤波因其中间大两边小的特性在消除噪声和保持边缘细节方面表现出色。同时，中值滤波作为另一种滤波方法，尤其适用于去除椒盐噪声。
摘要由CSDN通过智能技术生成

卷积 linear filtering
在这里插入图片描述
线性/平移不变性/分配律/
在这里插入图片描述
中间大两边小
高斯函数
在这里插入图片描述
高斯滤波特性：
在这里插入图片描述
中值滤波

你们都不睡觉的吗
关注
深度学习知识点全面总结
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
01-05 26万+
本文详细介绍深度学习概念及原理，参考网上相关资料汇总，内容包含众多章节，包括神经网络基础及常见深度学习网络结构介绍，用于个人学习总结，适合深度学习初学者学习。同时介绍机器学习常见的分类算法：SVM、神经网络、随机森林、逻辑回归、KNN、贝叶斯。常见的监督学习算法：感知机、SVM、人工神经网络、决策树、逻辑回归.........
笔记：计算机视觉与深度学习-北邮-鲁鹏-2020年录屏-第十讲
weixin_45562510的博客
04-18 615
一、上节剩下的一点 （一）用1×1卷积进行压缩会损失信息吗？ 1.答：不会。思维不能局限于m×n×64经过32个卷积核卷积成了m×n×32的特征响应图组这件事。要去思考m×n×64这张图是从一个尺寸为a×b（a≥m，b≥n）的，要再×3（RGB三层）的，总体来说是a×b×3的图。他在压缩成m×n×64时，该发生的损失已经发生了，而且深度从3变成64，说明这个方向上的信息非常稀疏。在经过本层变换m×n×64变成m×n×32，信息依旧是稀疏的，所以说这种压缩不会丢失信息。 二、ResNet（残差网络）（1
计算机视觉与深度学习 学习笔记【一】 图像分类
no_pain_no_gain_的博客
11-28 2290
这里写自定义目录标题图象分类1.难点1.1 语义鸿沟1.2 视角1.3 光照1.4 尺度1.5 遮挡1.6 形变1.7 背景杂波1.8 类内形变1.9 运动模糊1.10 类别繁多2.规则的方法可行性探究2.1 硬编码（通过人来总结规律）3.数据驱动的图像分类范式3.1 数据集构建3.1.1 有监督任务（主要）3.1.2 无监督任务（次要）3.2 分类器的设计与学习（核心步骤）3.3 分类器决策4. 分类器学习环节4.1 图象表示4.1.1 像素表示（在神经网络中占绝对主流）4.1.2 全局特征表示（如GIS
计算机视觉与深度学习——学习笔记（1）
Doublexs的博客
09-21 706
随着计算机计算速度的不断迭代增加，计算机视觉技术的发展也越来越好。随着深度学习的不断被人们重新提起，现在深度学习概念使用最多的地方便是结合计算机视觉技术。由于数字图像在存储在计算机中时，是大量的数据，所以在使用深度学习模型进行训练时，通常需要涉及到更多关于硬件与软件方面的各类专业知识。 计算机视觉技术是一个很广泛的学科，涉及到图像的基本处理、图像的识别、图像的认知与学习；而深度学习这个学科也存在...
【视频学习笔记】计算机视觉与深度学习_北京邮电大学_鲁鹏（⭐⭐⭐⭐⭐）
Edward的博客
08-24 1018
文章目录一、图像分类1. 什么是图像分类任务？2. 图像分类有哪些应用场合？3. 图像分类有哪些难点？（难点拆解）4. 基于规则的分类方法是否可行？5. 什么是数据驱动的图像分类范式？5.1 步骤5.2 分类器设计与学习5.2.1 图像表示5.2.2 分类器 视频回顾 相关课程： ●CS131: Computer Vision: Foundations and Applications一Fall 2018, Juan Carlos Niebles and Ranjay Krishna-Undergradu
斯坦福CS231n深度学习与计算机视觉课程学习笔记（1）——Introduction
云水禅心的博客
03-15 916
这是一门关于计算机视觉的课程，基于一种专用的模型架构，叫做神经网络（更细一点说，是卷积神经网络CNN）。计算机视觉是人工智能领域中发展最为迅猛的一个分支，是一个与很多领域紧密关联的学科。视觉信息，或者叫像素信息是最难被利用的信息，可以把它称之为“互联网中的暗物质”。我们现在面对的问题：非常大量的数据，以及这些“暗物质”的挑战。我们面对的问题，我们使用的建模（方式）也是跨学科的如果兴趣范围是关于计算...
【计算机视觉】计算机视觉与深度学习-北邮鲁鹏老师课程笔记
星辰不问
05-22 1008
计算机视觉与深度学习-北邮鲁鹏老师课程笔记
计算机视觉与深度学习 学习笔记【二】分类器设计
no_pain_no_gain_的博客
12-01 4272
文章目录分类器设计1. 线性分类器1.1 图像类型：略1.2 图像表示：大多数分类算法都要求输入**向量**1.2.1 最简单的方法1.3 分类模型1.3.1 线性分类器定义1.3.3 线性分类器的分界面1.4 损失函数1.4.1 损失函数定义1.4.3 正则项与超参数1.5 优化算法1.5.1 什么是参数优化1.5.2 各类优化算法1.6 数据集划分1.7 数据预处理 分类器设计 1. 线性分类器 知识点分布： 1.1 图像类型：略 1.2 图像表示：大多数分类算法都要求输入向量 1.2.1 最简单的方
计算机视觉与深度学习基本环境安装
01-06
计算机视觉与深度学习基本环境安装1. Python的安装与使用1.1 ...写在前面：本博文是计算机视觉与深度学习相关环境安装的笔记，特定做了记录以帮助自己记忆与其他读者学习。 1. Python的安装与使用 1.1 Python简介
深度学习公开课：计算机视觉PPT-教程与笔记习题
05-18
深度学习公开课：计算机视觉PPT-教程与笔记习题，这一资源主要涵盖了深度学习在计算机视觉领域的应用。计算机视觉是人工智能的一个重要分支，它致力于使机器“看”并理解图像和视频，以此来解决实际问题。深度学习，...
计算机视觉与机器学习的入门级笔记
01-20
总之，计算机视觉与机器学习的入门学习涉及广泛的理论和实践知识，从基础的图像分类到复杂的深度学习架构，都需要深入理解和掌握。随着技术的发展，这两个领域的交叉应用将会带来更多的创新和突破。通过持续学习和...
计算机视觉与深度学习（1）.md
07-07
作为学习笔记，记录自己的学习过程
目标检测——Libra R-CNN算法解读
lishanlu136的博客
10-15 1165
目标检测Libra R-CNN算法解读
YOLOv11改进策略【卷积层】| ECCV-2024 小波卷积 增大感受野，降低参数量计算量，独家创新助力涨点
最新发布
qq_42591591的博客
10-18 133
本文记录的是利用模块优化的目标检测网络模型。WTConv的目的是在不出现过参数化的情况下有效地增加卷积的感受野，从而解决了在感受野扩展中的参数膨胀问题。本文将其加入到深度可分离卷积中，有效降低模型参数量和计算量，并二次创新C3k2，使模块更好地捕捉低频特征，增强网络性能。Wavelet Convolutions for Large Receptive Fields小波卷积及其改进的实现代码如下： 四、创新模块 4.1 改进点1⭐ 模块改进方法：加入（第五节讲解添加步骤）。添加后如下：基于的深度可分离模块。
【进阶OpenCV】 （14）-- 人脸识别 -- LBPH 算法
m0_74896766的博客
10-15 1079
本篇介绍了如何通过创建LBPH的人脸识别器来进行人脸识别。
什么是LTU?
chase
10-12 528
LUT简介
《OpenCV计算机视觉》—— 人脸检测
weixin_73504499的博客
10-13 1555
《OpenCV计算机视觉》—— 人脸检测
5种边界填充
宇宙第一小趴菜的博客
10-15 389
5种边界填充
《OpenCV计算机视觉》—— 使用DNN模块实现图片风格迁移
weixin_73504499的博客
10-15 1202
使用DNN模块实现图片风格迁移
深度解析：计算机视觉与机器学习入门框架
本资源是一份针对计算机视觉与机器学习初学者的入门级笔记，旨在帮助读者建立基本框架并理解核心概念。笔记内容包括： 1. **课程知识回顾总结**： - 引言部分介绍了计算机视觉的主要任务，即从图像或视频中提取...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值