一口蛋挞-CSDN博客

原创深度学习实战：基于 CIFAR-10 的 CNN 图像分类实验

本文介绍了基于PyTorch深度学习框架在CIFAR-10数据集上进行图像分类的实践。CIFAR-10数据集包含10个类别的60000张32x32彩色图像，适合用于图像分类算法的研究和实践。文章从简单的卷积神经网络（SimpleCNN）逐步过渡到较为复杂的残差网络（ResNet18），详细阐述了环境准备、数据加载、模型构建、训练和测试的步骤。通过实验，SimpleCNN在测试集上的准确率为58.7%，而ResNet18的准确率达到了89.4%。文章还提供了训练过程的可视化工具，帮助分析模型性能。最终结论指出

2025-05-23 08:00:00 1795

原创深度学习图像去噪：算法对比与优化

本项目聚焦于图像去噪算法的研究，通过对比深度学习算法与传统算法，优化图像去噪效果。采用CIFAR-10数据集，构建去噪自编码器作为核心模型，并与高斯滤波、中值滤波、全变分去噪等传统方法进行对比。研究结果表明，去噪自编码器在峰值信噪比（PSNR）和结构相似性指数（SSIM）上均显著优于传统方法，尤其在复杂噪声场景下表现出更强的去噪能力和细节保留能力。项目通过数据预处理、特征工程、模型训练与评估，验证了深度学习模型在图像去噪任务中的优势，为实际应用提供了更优的解决方案。

2025-05-21 21:42:47 1535 2

原创基于PSO算法的Rastrigin多峰函数全局优化实验

本文探讨了使用粒子群优化（PSO）算法求解Rastrigin函数全局最优解的方法。Rastrigin函数作为典型多峰函数，其理论最优值为0，但传统方法易陷入局部最优。实验设置30个粒子、50次迭代，采用惯性权重0.7和学习因子1.5的参数配置。通过初始化粒子群、迭代更新位置速度、记录最优值等步骤，算法成功逼近理论最优解。实验分析了PSO的收敛速度、稳定性和参数敏感性，验证了其在多峰函数优化中的有效性，并提供了完整的Python实现代码。结果表明PSO能有效解决复杂优化问题，参数调优可进一步提升性能。

2025-05-27 08:00:00 716

原创图像分割实验：从基础处理到高级边缘检测

本文介绍了一个完整的图像分割实验流程，涵盖图像读取、预处理、边缘检测和阈值分割等关键步骤。实验使用OpenCV、NumPy和Matplotlib等工具，详细展示了Sobel算子（包括水平、垂直和对角线方向）、拉普拉斯算子、LoG算子和Canny边缘检测等多种方法的实现与对比。同时探讨了全局阈值和自适应阈值分割技术。通过系统的代码实现和可视化展示，读者可以直观了解不同图像处理技术的效果差异。实验特别注重中文环境配置和异常处理，为数字图像处理学习提供了实用参考，适用于医学影像、自动驾驶和遥感分析等等。

2025-05-26 08:00:00 541

原创遗传算法原理与实现

本文实现了一个完整的遗传算法框架，用于优化二次函数x²的最小化问题。算法包含六大核心组件：目标函数、种群初始化、锦标赛选择、均匀交叉、非均匀变异和精英策略。通过200代种群迭代，采用100个个体、0.05变异率等参数，算法成功收敛到接近最优解。实验显示随着代数增加，最优适应度逐渐下降。文章还提出自适应参数、多种群并行等改进方向，指出该框架可扩展至高维优化、组合优化等复杂问题，展现了遗传算法在解决优化问题上的通用性和有效性。

2025-05-25 08:00:00 731

原创图像分类：使用CNN对蝴蝶图像进行分类

本文详细介绍了如何使用卷积神经网络（CNN）对蝴蝶图像进行分类。文章从环境准备、数据准备与检查、数据预处理与增强、数据可视化、构建CNN模型、模型训练、训练过程可视化、模型验证与预测等方面，逐步展示了整个分类任务的流程。通过数据增强和早停机制等技术，提升了模型的性能和泛化能力。最终，通过可视化训练过程和预测结果，直观评估了模型的表现。本文为图像分类领域的学习和实践提供了参考。

2025-05-24 08:00:00 787

原创 OpenCV图像操作与灰度化

OpenCV由一系列C函数和少量C++类组成，同时提供了Python、Java、MATLAB等多种语言的接口。其应用场景极为宽泛，涵盖但不限于物体识别、运动跟踪、图像分割、机器学习等。借助OpenCV，开发者能够高效地实现复杂的图像和视频处理算法。灰度化处理指的是将彩色图像转换为灰度图像的过程。灰度图像仅有一个通道，每个像素的取值范围通常为0（黑色）到255（白色）。灰度化处理能够减少图像的数据量，降低计算复杂度，同时在某些应用场景下，灰度图像更能凸显图像的特征。

2025-05-22 14:22:05 794

Butterfly 75-class Dataset

该数据集以75种不同种类的蝴蝶为特征。数据集包含约1000+标记图像，包括验证图像。每张图像只属于一个蝴蝶类别。每个图像的标签都保存在Training_set.csv中。可对75种不同类别的蝴蝶进行可视化分析、模型训练及分类预测等。

2025-05-23

深度学习实战：基于 CIFAR-10 的 CNN 图像分类实验配套代码

基于PyTorch深度学习框架，在CIFAR - 10数据集上进行图像分类实践，从简单的卷积神经网络（SimpleCNN）逐步过渡到较为复杂的残差网络（ResNet18）。CIFAR - 10数据集包含10个不同类别的60000张32x32彩色图像，适合用于图像分类算法的研究和实践

2025-05-22

cifar-100-python.tar

1. 数据集概览 - 60,000 张 32x32 彩色图像，涵盖 100 个细粒度类别（如“苹果”“摩托车”等），每类 600 张。 - 官方划分为 50,000 训练集 + 10,000 测试集。 - 与 CIFAR-10 的区别：类别更细（100 vs 10）、层级结构（20 个大类 + 5 个小类/大类）。 2. 核心特点 - 图像低分辨率挑战：32x32 像素，适合轻量级模型测试。 - 细粒度分类难度：如“蜜蜂”“甲虫”需模型捕捉细微特征。 3. 应用场景 - 图像分类、小样本学习、迁移学习（如 ResNet、EfficientNet 基准测试）。 - 对比实验（如对比 CIFAR-10 的性能差异）。适用读者：计算机视觉初学者、算法研究者、希望快速验证模型性能的开发者。

2025-05-22

cifar-10-batches.zip

CIFAR-10 是一个经典的图像分类数据集，包含 10 个类别的 60,000 张 32x32 彩色图像（50,000 训练 + 10,000 测试），类别包括飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船和卡车。特点： - 轻量级，适合快速实验和教学 - 低分辨率，分类具有挑战性 - 常用于 CNN、数据增强和迁移学习的基准测试使用建议： - 预处理：标准化、数据增强（翻转/裁剪） - 可直接通过 `tensorflow.keras.datasets.cifar10.load_data()` 加载

2025-05-22

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人