- 博客(26)
- 收藏
- 关注
RSS订阅原创 计算机视觉中的注意力机制
注意力机制（Attention Mechanism）源于对人类视觉的研究。 在认知科学中，由于信息处理的瓶颈，人类会选择性地关注所有信息的一部分，同时忽略其他可见的信息。 上述机制通常被称为注意力机制。 人类视网膜不同的部位具有不同程度的信息处理能力，即敏锐度（Acuity），只有视网膜中央凹部位具有最强的敏锐度。(以上为官方解释：个人的理解是注意力机制就是通过一通操作，将数据中关键的特征标识出来，让网络学到数据中需要关注的区域，也就形成了注意力。从而起到突出重要特征的作用。)常用的注意力机制多为SE At
2022-06-03 14:18:25
13177
4
原创 玩转深度学习——pytorch实现Lenet网络
玩转深度学习——pytorch实现Lenet网络什么是LeNet网络LeNet网络pytorch实现改进LeNet网络增加卷积层尝试修改一些超参数（开始炼丹）什么是LeNet网络LeNet，它是最早发布的卷积神经网络之一，因其在计算机视觉任务中的高效性能而受到广泛关注。 这个模型是由AT&T贝尔实验室的研究员Yann LeCun在1989年提出的（并以其命名），目的是识别图像 [LeCun et al., 1998]中的手写数字。 当时，Yann LeCun发表了第一篇通过反向传播成功训练卷积神
2022-04-28 23:49:33
4913
原创 matlabplot———散点图
散点图散点图散点图的分类散点图的优势绘制散点图散点图散点图是指在回归分析中，数据点在直角坐标系平面上的分布图，散点图表示因变量随自变量而变化的大致趋势。在数据分析可视化时，一般会先绘制散点图，初步了解自变量和应变量之间的关系，通过散点图查看变量之间是否存在数量关联趋势等。散点图的分类散点图矩阵当欲同时考察多个变量间的相关关系时，若一一绘制它们间的简单散点图，十分麻烦。此时可利用散点图矩阵来同时绘制各自变量间的散点图，这样可以快速发现多个变量间的主要相关性，这一点在进行多元线性回归时显得尤为重要。
2021-11-21 13:38:47
13040
1
原创 matplotlib——箱型图
这里写目录标题箱型图二级目录三级目录箱型图箱形图（英文：Box plot），又称为盒须图、盒式图、盒状图或箱线图，是一种用作显示一组数据分散情况资料的统计图。因型状如箱子而得名。在各种领域也经常被使用，能快速识别异常值。箱形图最大的优点就是不受异常值的影响，能够准确稳定地描绘出数据的离散分布情况，同时也利于数据的清洗。除了箱型图外，一般还可以采用直方图，散点图等进行异常值检测。箱型图的结构如下图：横式箱型图其中箱型图检测异常值的原则是不在-1.5IQR和1.5IQR之间的样本点认为是异常点。使用
2021-11-14 20:16:13
4092
原创 8.opencv——图像轮廓，霍夫变换
图像轮廓，霍夫变换图像轮廓查找轮廓绘制轮廓轮廓特征霍夫变换霍夫直线变换霍夫圆变换图像轮廓查找轮廓绘制轮廓轮廓特征霍夫变换霍夫直线变换霍夫圆变换
2021-10-24 11:49:24
1596
原创 7.opencv——边缘检测（ 拉普拉斯(Laplacian)，Sobel，Canny边缘检测）
边缘与轮廓边缘检测拉普拉斯(Laplacian)边缘检测Sobel边缘检测Canny边缘检测图像轮廓查找轮廓绘制轮廓轮廓特征霍夫变换霍夫圆变换边缘检测拉普拉斯(Laplacian)边缘检测Sobel边缘检测Canny边缘检测图像轮廓查找轮廓绘制轮廓轮廓特征霍夫变换霍夫圆变换...
2021-10-18 22:14:14
11315
原创 6.opencv——图像变换4（形态变换-腐蚀，膨胀，开，闭，梯度，黑帽，礼帽运算）
形态变换形态变换腐蚀膨胀高级形态操作开运算闭运算形态学梯度运算黑帽运算礼帽运算形态变换腐蚀膨胀高级形态操作开运算闭运算形态学梯度运算黑帽运算礼帽运算
2021-10-17 13:03:04
2720
原创 5.opencv——图像变换3（阈值处理-二值化，反二值化，截断阈值处理，超阈值零，低阈值零处理，Otsu算法，三角算法）
阈值处理阈值处理全局阈值处理二值化阈值处理反二值阈值处理截断阈值处理超阈值零处理低阈值零处理Otsu算法阈值处理三角算法阈值处理自适应阈值处理阈值处理\qquad阈值化处理：以某种规则依次将像素处理成0或1输出，即像素分割，可以被视作最简单的图像分割方法。给定一个灰度图，经过阈值化处理将把它转化成二值图输出。阈值化处理提取背景中的重要信息，将图像更进一步的从灰度图背景中抽离出来。利用阈值进行分割的方法是基于图像中物体和背景之间的灰度差异来实现的。阈值处理用于剔除图像中像素值高与或者低于指定值的像素点。
2021-10-14 15:24:00
3689
3
原创 4.opencv——图像变换2（图像模糊-均值滤波，高斯滤波，中值滤波，方框，双边滤波，2D卷积）
图像变换2（图像模糊，阈值处理）图像模糊均值滤波高斯滤波方框滤波中值滤波双边滤波2D卷积阈值处理全局阈值处理二值化阈值处理反二值化阈值处理截断阈值处理超阈值零处理低阈值零处理Otsu算法阈值处理三角算法阈值处理自适应阈值处理图像模糊均值滤波高斯滤波方框滤波中值滤波双边滤波2D卷积阈值处理全局阈值处理二值化阈值处理反二值化阈值处理截断阈值处理超阈值零处理低阈值零处理Otsu算法阈值处理三角算法阈值处理自适应阈值处理...
2021-10-10 20:49:48
1163
原创 3.opencv——图像变换1（色彩空间变换，几何变换）
图像变换色彩空间变换几何变换图像模糊（图像平滑处理）阈值处理形态变换色彩空间变换import cv2img = cv2.imread('bee.jpg') # 读取图像cv2.imshow('BGR', img) # 显示图像img2 = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 转换色彩空间为RGBcv2.imshow('RGB', img2) #
2021-10-08 22:51:11
1951
原创 2.opencv——图像用户界面操作
图像用户界面操作窗口操作绘图响应鼠标事件使用跟踪栏实验，使用鼠标指针取点绘图窗口操作绘图响应鼠标事件使用跟踪栏实验，使用鼠标指针取点绘图
2021-10-07 12:15:07
5489
原创 1.opencv—图像处理基础
opencv——图像处理基础读，写，显示图像读，写，播放视频操作灰度，色彩图像图像通道操作图像运算读，写，显示图像OpenCV中的imread(),imwrite()和imshow()函数分别用于读，写和显示图像。其中imread()函数用于将文件中的图像读入内存，它支持各种静态图像文件格式，如BMP，PNG,JPEG,TIFF等。import cv2img = cv2.imread('lena.jpg', cv2.IMREAD_REDUCED_GRAYSCALE_4) # 读取图像pri
2021-10-06 23:03:12
2905
原创 机器学习之高斯过程
高斯过程(Gaussian Process)在机器学习领域里，高斯过程是一种假设训练数据来自无限空间、并且各特征都符合高斯分布的有监督建模方式。高斯过程是一种概率模型，无论是回归或者分类预测都以高斯分布标准差的方式给出预测置信区间估计。什么是置信区间？置信区间是指由样本统计量所构造的总体参数的估计区间。在统计学中，一个概率样本的置信区间（Confidence interval）是对这个样本的某个总体参数的区间估计。置信区间展现的是这个参数的真实值有一定概率落在测量结果的周围的程度。置信区间给出的是被测量参
2021-10-01 14:16:49
6453
2
原创 深度学习基础——感知机
感知机感知机感知机的理解感知机的简单编程实现(python)感知机的局限性多层感知机感知机感知机是一种非常简单的算法(特别是对有一定基础的同学来说)，感知机也是学习神经网络的基础，因此，感知机的构造是神经网络，深度学习的一种重要思想。感知机是由美国科学学者Frank Rosenblatt在1957年提出的。感知机的理解感知机的简单编程实现(python)感知机的局限性多层感知机...
2021-09-16 18:06:26
1353
1
原创 pycharm--opencv报错&解决
opencv报错&解决1.报错：SyntaxError: positional argument follows keyword argument语法错误：位置参数跟随关键字参数解决：删掉位置参数，直接输入值2.ValueError: operands could not be broadcast together with shapes (183,275,3) (480,721,3)解决：输入图片大小不一致，修改图片大小...
2021-09-09 11:53:09
2065
1
原创 python虚拟环境配置(pycharm)
python虚拟环境配置（windows端）1. 安装virtualenv库打开cmd命令窗口，输入：pip install virtualenv2. 创建运行环境安装好virtualenv库后，还是在cmd命令窗口输入：virtualenv [虚拟环境名称] （注意virtualenv和虚拟环境名称要留有空格）virtualenv test1这样就创建好了虚拟环境，可以在对应路径下找到一个与虚拟环境名称相同(test1)的文件夹3. 激活环境激活环境也很简单，同样在cmd命令窗口完
2021-09-01 18:31:08
1094
原创 你还为数学建模模型代码实现而烦恼吗？一文带你实践30多种常用模型python代码
常规优化模型python代码实践常规优化模型线性规划非线性规划整数规划匈牙利算法多目标规划动态规划常规优化模型优化问题在数学建模比赛中十分常见，熟练掌握如何使用一些常用的优化模型可以大大的加快我们在比赛中解题的速度。常规的优化模型有： 线性规划，非线性规划，整数规划，整数规划， 多目标规划，动态规划。线性规划minz=2x1+3x2+x3 min z = 2x_1+3x_2 +x_3minz=2x1+3x2+x3st.{x1+4x2+2x3≥83x1+2x2≥6x1,x2,x3≥0st.
2021-08-22 13:37:05
5461
2
原创 机器学习之决策树（实战）
决策树什么是决策树信息增益-熵，基尼指数建树策略实战树的可视化什么是决策树决策树是一种树形结构，其中每个内部节点表示一个属性上的判断，每个分支代表一个判断结果的输出，最后每个叶节点代表一种分类结果，类似于数据结构中的树。决策树是一个非常成熟的算法，最常用的三种决策树算法是ID3,C4.5,CART(Classification and Regression Tree)。这三种算法的区别是：ID3是利用信息增益来选择特征的。而C4.5，它是 ID3 的改进版，不是直接使用信息增益，而是引入“信息增益比”指
2021-08-15 13:38:43
1489
原创 机器学习之朴素贝叶斯分类
朴素贝叶斯分类贝叶斯定理和基础概率论朴素贝叶斯高斯朴素贝叶斯多项式朴素贝叶斯伯努利朴素贝叶斯几种朴素贝叶斯实战总结贝叶斯定理和基础概率论概率，其实在我们生活中十分常见，它是对未来事件发生可能性的表述，比如彩票的中奖率是多少？概率值通常用P来表示，古典概率的取值范围在0~1之间。P(A)=0就是表示事件A一定不会发生条件概率是用形如P(A|B)来表示，它的含义是：如果事件B已经发生，那么事件A发生的概率是多少联合概率是用形如P(AB),P(A,B),P(A⋂\bigcap⋂B)来表示的，它是用来描述
2021-08-12 10:38:58
1072
原创 机器学习之支持向量机(SVM)实战
支持向量机支持向量机(support vector machine)，一般简称SVM，通俗来讲，它是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，其学习策略便是间隔最 大化，最终可转化为一个凸二次规划问题的求解。最初SVM被用来解决线性分类问题，但自从90年代中加入了核方法后，它也可以有效解决非线性问题，其优点是能适应“小样本数量，高特征维度”的数据集，即使是特征维度数高于训练样本数据的情况。下面我们来了解几个SVM的概念：1超平面所谓的超平面在一维空间就是一个点，二维空间是一
2021-08-04 17:34:06
1865
原创 机器学习之线性回归——OLS，岭回归，Lasso回归
浅谈线性回归Gamma公式展示 Γ(n)=(n−1)!∀n∈N\Gamma(n) = (n-1)!\quad\foralln\in\mathbb NΓ(n)=(n−1)!∀n∈N 是通过 Euler integralΓ(z)=∫0∞tz−1e−tdt .\Gamma(z) = \int_0^\infty t^{z-1}e^{-t}dt\,.Γ(z)=∫0∞tz−1e−tdt.y = f(x1,x2,x3,xn)二级标题三级标题四级标题五级标题六级标题...
2021-07-31 10:31:32
8944
原创 python常用图形绘图（matplotlib,pyecharts）
python之matlabplot常用图形绘图大全点线图散点图曲线图条形图堆积条形图分组条形图水平条形图特色条形图带渐变的条形图水平图形的离散分布饼状图基本饼状图嵌套饼状图极坐标图图像，轮廓和字段图轮廓图像图像图图像子图，轴和图形子图轴图形pypoltpypolt简单图pypolt多个子图自动子图调整点线图print（a）散点图曲线图条形图堆积条形图分组条形图水平条形图特色条形图带渐变的条形图水平图形的离散分布饼状图基本饼状图嵌套饼状图极坐标图图像，轮廓和字段图轮廓图像
2021-07-16 13:02:38
2884
原创 机器学习实战：支持向量机回归预测财政收入
机器学习实战：支持向量机回归预测财政收入数据集说明数据集特征说明特征分析特征可视化导入数据可视化特征相关性检测绘制相关矩阵打印Pearson相关系数多变量研究Lasso特征选择模型进行特征提取alpha（正则项系数）的参数选择进行特征选取使用核函数进行预测数据预处理，拆分数据集，分成训练集和测试集进行预测绘制财政实际收入与预测收入的对比图进行简单预测模型评价MSE（均方误差）RMSE（均方根误差）MAE（平均绝对误差）R^2这是一个财政收入预测的一个实战，我们将会对做了基本处理的数据进行特征分析，然后选取
2021-07-11 13:55:41
12096
22
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人