- 博客(544)
- 资源 (12)
- 收藏
- 关注
RSS订阅转载 中国电信正式发布5G定制网
文章来源：中国电信集团有限公司 发布时间：2020-11-1011月7日，在第十二届天翼智能生态博览会高峰论坛上，中国电信正式对外发布5G定制网。中国电信全新发布“网定制、边智能、云协同、应用随选”的5G定制网解决方案及《中国电信5G定制网产品手册》，提供“致远”“比邻”“如翼”三类定制网服务模式。5G定制网是企业信息基础设施的深刻变革和全面升级，是以5G网络为基础，对连接、计算和智能等全部数字化能力的“融合定制”。此次中国电信推出的5G定制网，将通过5G+边+云+X，打造一体化定制融合服务，
2020-11-11 13:53:09
639
原创 高斯滤波原理及python代码（opencv代码）
Reference：https://blog.csdn.net/angelia_yue/article/details/1057943441.什么是高斯滤波高斯滤波器是一种线性滤波器，能够有效的抑制噪声2.高斯滤波作用高斯滤波器对于抑制服从正态分布的噪声非常有效3.计算步骤1. 根据高斯函数和像素点的位置，计算滤波器每个点的值，对滤波器的值做归一化，得到权重矩阵2. 图像中的区域每个点滤波器矩阵的值3. 对得到的计算结果的矩阵求和，得到的和就是原图像矩阵中心点的滤波...
2020-11-10 17:39:52
9503
2
转载 图像边缘检测-Canny,Sobel等算子
一.前言首先我们先来简单了解一下什么是数字图像处理(Digital Image Processing)，先看一下数字图像主要的两个应用领域：1.改善图示信息以便人们解释；2.为存储、传输和表示而对图像数据进行处理，以便于机器自动理解我们可以简单理解为就将一幅原始图像，使用计算机处理为更为我们所能理解或所需要的形式，如图1-1所示，为基于边缘检测的免疫细胞图像自动分割过程示意图图 1-1 克隆细胞图像自动分割过程示意图让我们再看一个例子，如图1-2 ，为经典的车牌检测算法，将原始图
2020-11-10 16:56:21
4691
转载 遥感图像处理流程
一．预处理1．降噪处理由于传感器的因素，一些获取的遥感图像中，会出现周期性的噪声，我们必须对其进行消除或减弱方可使用。（1）除周期性噪声和尖锐性噪声周期性噪声一般重叠在原图像上，成为周期性的干涉图形，具有不同的幅度、频率、和相位。它形成一系列的尖峰或者亮斑，代表在某些空间频率位置最为突出。一般可以用带通或者槽形滤波的方法来消除。消除尖峰噪声，特别是与扫描方向不平行的，一般用傅立叶变换进行滤波处理的方法比较方便。 图1 消除噪声前 ...
2020-11-09 11:32:00
5412
2
转载 高斯滤波详解 附python和matlab高斯滤波代码
https://blog.csdn.net/angelia_yue/article/details/105794344https://www.jianshu.com/p/4eaf349de9e9一. 高斯滤波高斯滤波是一种线性平滑滤波器，对于服从正态分布的噪声有很好的抑制作用。在实际场景中，我们通常会假定图像包含的噪声为高斯白噪声，所以在许多实际应用的预处理部分，都会采用高斯滤波抑制噪声。高斯滤波和均值滤波一样，都是利用一个掩膜和图像进行卷积求解。不同之处在于...
2020-11-08 22:53:19
11214
1
转载 COCO数据集概述
COCO数据集概述COCO的全称是Common Objects in Context，是微软团队提供的一个可以用来进行图像识别的数据集。MS COCO数据集中的图像分为训练、验证和测试集。其行业地位就不再多少了，本文主要梳理一下该数据集包含的内容。下图是官网给出的可下载的数据集（更新时间2020年01月09日），从这里可看出其数据集主要包括有标注的和无标注的数据：2014：训练集 + 验证集 + 测试集 2015：测试集 2017：训练集 + 验证集 + 测试集PK的内容包括：目标检测与
2020-11-01 22:14:18
3209
1
转载 VOC数据集
概述Pascal VOC2012作为基准数据之一，在对象检测、图像分割网络对比实验与模型效果评估中被频频使用，但是如果没有制作过此格式的数据集就会忽略很多细节问题，今天我们一起来从头到尾扒一扒Pascal VOC2012 数据集各种细节问题。Pascal VOC2012数据集主要是针对视觉任务中监督学习提供标签数据，它有二十个类别：Person:personAnimal:bird, cat, cow, dog, horse, sheepVehicle:aeroplane, bicy.
2020-11-01 20:05:14
3612
1
转载 详解softmax函数以及相关求导过程
这几天学习了一下softmax激活函数，以及它的梯度求导过程，整理一下便于分享和交流！一、softmax函数softmax用于多分类过程中，它将多个神经元的输出，映射到（0,1）区间内，可以看成概率来理解，从而来进行多分类！假设我们有一个数组，V，Vi表示V中的第i个元素，那么这个元素的softmax值就是更形象的如下图表示：softmax直白来说就是将原来输出是3,1,-3通过softmax函数一作用，就映射成为(0,1)的值，而这些值的累和为1（满足概率的性质），那..
2020-10-30 10:21:46
424
转载 最全攻略：人工智能如何看懂激光雷达点云
SqueezeSegNetwork structure of SqueezeSegSqueezeSeg: Convolutional Neural Nets with Recurrent CRF for Real-Time Road-Object Segmentation from 3D LiDAR Point Cloudarxiv.org简介：将激光点云沿圆柱面投影展开为深度图转化为2D图像处理。逐个像素人工构造特征（x,y,z,intensity,distance)，使用2D FCN做
2020-10-23 10:44:52
1372
转载 用Python打造无人驾驶车-激光雷达数据(1)
ROS环境安装ROS/Tutorials - ROS WikiROS数据包Udacity Didi Challenge - Round 2 Dataset前言：激光雷达是无人驾驶车的一个重要数据源，同时也是最难处理的数据之一。相对于图像数据而言，激光雷达有着更可靠的深度数据。特斯拉的辅助驾驶系统曾因为过度依赖图像数据产生的误判而造成严重的事故，而有了激光雷达之后，就可以避免因为图像造成的误判。本文将介绍如何初步的处理激光雷达生成的点云数据。数据可视化在处理数据之前，让我们先来看看原始
2020-10-23 10:04:02
2114
1
转载 5G和人工智能存在递进关系，两者相辅相成！
摘要：5G和人工智能是两种不同领域的概念，5G是快速无线传播信息和数据的通讯技术，人工智能是具备独立思考能力的计算机程序。近年来，人工智能无论是企业还是资本界都被狂热的追逐，人工智能已经站到了强有力的风口之上，人们在关注人工智能的同时不要忽略5G网络技术在其领域的应用。本文重点讲解5G和人工智能两者之间存在的关系。目前，人工智能主要依靠云计算和终端处理。终端会对自身的大量信息进行处理和提炼，然后进入云端的人工智能大脑进行统一处理。然而，由于终端处理能力和网络传输能力有限，目前的人工智能速度较慢，智能..
2020-10-20 10:30:12
1400
1
原创 python3浅拷贝与深拷贝的区别和理解
首先，我们知道Python3中，有6个标准的数据类型，他们又分为可变和不可变。不可变数据（3个）：Number（数字） String（字符串） Tuple（元组）可变数据（3个）：List（列表） Dictionary（字典） Set（集合）浅拷贝和深度拷贝 总结浅拷贝copy模块里面的copy方法实现1、对于不可变类型 Number String Tuple,浅复制仅仅是地址指向，不会开辟新空间。但是如果改变了值就会创建新地址 2、对于可变类型 List、Dictio
2020-10-19 16:51:32
318
转载 使用Python对Dicom文件进行读取与写入的实现（pydicom 和 SimpleITK）
这篇文章主要介绍了使用Python对Dicom文件进行读取与写入的实现，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧使用Pydicom单张影像的读取使用 pydicom.dcmread() 函数进行单张影像的读取,返回一个pydicom.dataset.FileDataset对象.import osimport pydicom# 调用本地的 dicom filefolder_path = r"D:\Fi.
2020-10-16 11:10:48
9271
1
原创 Xshell命令行:上传下载远程服务器文件
Xshell如何连接远程Linux服务器，之前的博客中已经提及到了，可以看我之前的博客。我们知道我们经常需要向服务器上传文件，或者从服务器下载文件，rz和sz命令可以满足我们的要求，只不过默认情况下是不能使用的，我们需要使用yum install lrzsz来安装，如下图所示。然后上传文件到远程服务器：rz然后将文件下载到本地：sz下载完成：在本地查看：Reference：https://blog.csdn.net/IBLiplus/article/.
2020-10-09 18:06:39
665
原创 Keras 指定多个GPU，使用多个GPU训练
Keras 指定多个GPUimport keras.backend.tensorflow_backend as KTFimport tensorflow as tfimport osos.environ["CUDA_VISIBLE_DEVICES"] = "0,1,4,5,8,9"使用多个GPU训练数据并行 (multi_gpu_modelhttps://keras-zh.readthedocs.io/utils/)数据并行包括在每个设备上复制一次目标模型，并使用每个模型副本..
2020-10-09 17:46:44
3493
2
原创 深度学习训练已经停止(强行中断)了，可GPU内存还在占用着，如何解决？
watch --color -n1 gpustat -cpu用户：xujiping 已经结束训练了，但是GPU的内存仍然在占用top：查看进程U :输入用户名找到 python train.py 的进程号ctrl + c 退出kill -9 进程号：杀死残留的进程这时占用的GPU内存就被释放了reference：https://blog.csdn.net/u014264373/article/details/108106316...
2020-10-09 17:29:06
3770
1
转载 keras系列︱keras是如何指定显卡且限制显存用量（GPU/CPU使用）
keras在使用GPU的时候有个特点，就是默认全部占满显存。 若单核GPU也无所谓，若是服务器GPU较多，性能较好，全部占满就太浪费了。 于是乎有以下五种情况：1、指定GPU 2、使用固定显存的GPU 3、指定GPU + 固定显存 4 GPU动态增长 5 CPU充分占用一、固定显存的GPU本节来源于：深度学习theano/tensorflow多显卡多人使用问题集（参见：Limit the resource usage for tensorflow backend · Issue #1538
2020-10-09 14:48:34
677
转载 斯坦福CS231n—深度学习与计算机视觉(资料汇总)
官网链接：CS231n: Convolutional Neural Networks for Visual RecognitionNotes：链接：http://cs231n.github.io/中文字幕视频 by 大数据文摘链接：http://study.163.com/course/courseMain.htm?courseId=1003223001课件中文翻译 by 杜克链接：https://www.52ml.net/tags/cs231课件英文视频及字幕等 by 爱可
2020-10-08 16:45:24
246
转载 模型训练错误：Failed to get convolution algorithm，This is probably because cuDNN failed to initialize.
模型训练错误：Failed to get convolution algorithm，This is probably because cuDNN failed to initialize.一、问题： 最近在利用keras训练模型的时候出现以下错误，开始一看以为是cuDNN的版本不对，更换后还是没有效果，后面在网上查找后发现是显存的问题，更改为动态分配内存就可以了。 二、解决方法： 在训练的脚本开头添加以下代码进行动态分配内存，然后重新运行就可以。...
2020-09-27 17:27:21
284
原创 ＜美团＞过拟合
过拟合：在机器学习模型训练或者深度学习模型训练的过程中，会出现模型在训练集上表现能力好，但是在测试集上表现欠佳，这种现象就是过拟合，常常主要原因是由于数据集中存在噪音数据或者训练样本维度太少或者训练集数量太少导致的。解决方案：增强训练样本集； 增加样本集的维度； 如果模型复杂度太高，和训练样本集的数量级不匹配，此时需要降低模型复杂度； 正则化，尽可能减少参数； 添加Dropout...
2020-09-26 16:22:55
74
原创 ＜美团＞深度学习训练中梯度消失的原因有哪些？有哪些解决方法？
梯度消失产生的主要原因有：一是使用了深层网络，二是采用了不合适的损失函数。（1）目前优化神经网络的方法都是基于BP，即根据损失函数计算的误差通过梯度反向传播的方式，指导深度网络权值的更新优化。其中将误差从末层往前传递的过程需要链式法则（Chain Rule）的帮助。而链式法则是一个连乘的形式，所以当层数越深的时候，梯度将以指数形式传播。梯度消失问题一般随着网络层数的增加会变得越来越明显。在根据损失函数计算的误差通过梯度反向传播的方式对深度网络权值进行更新时，得到的梯度值接近0，也就是梯度消失。（2）
2020-09-26 16:19:41
783
转载 梯度消失和梯度爆炸的原因和解决办法
梯度消失与梯度爆炸其实是一种情况，看接下来的文章就知道了。梯度消失经常出现，一是在深层网络中，二是采用了不合适的损失函数，比如sigmoid 梯度爆炸一般出现在深层网络和权值初始化值太大的情况下下面分别从这两个角度分析梯度消失和爆炸的原因。1.深层网络角度对激活函数进行求导，如果此部分大于1，那么层数增多的时候，最终的求出的梯度更新将以指数形式增加，即发生梯度爆炸， 如果此部分小于1，那么随着层数增多，求出的梯度更新信息将会以指数形式衰减，即发生了梯度消失。总结：从深层网络角度来讲，
2020-09-26 16:07:29
1484
转载 视觉注意力机制 | Non-local模块与Self-attention的之间的关系与区别？
什么是视觉中的注意力机制？计算机视觉（computer vision）中的注意力机制（attention）的基本思想就是想让系统学会注意力——能够忽略无关信息而关注重点信息。近几年来，深度学习与视觉注意力机制结合的研究工作，大多数是集中于使用掩码(mask)来形成注意力机制。掩码的原理在于通过另一层新的权重，将图片数据中关键的特征标识出来，通过学习训练，让深度神经网络学到每一张新图片中需要关注的区域，也就形成了注意力。注意力机制一种是软注意力(soft attention)，另一种则是强注意力(
2020-09-23 15:54:41
2175
1
原创 【TensorBoard】如何启动tensorboard的详尽步骤
TensorBoard是TensorFlow下的一个可视化的工具，能够帮助我们在训练大规模神经网络过程中出现的复杂且不好理解的运算。TensorBoard能展示你训练过程中绘制的图像、网络结构等。启动TensorBoard的方法：第一步：定位到你训练后log文件保存的位置；第二步：cd 到log文件的上一级目录；即D:\PycharmProjects\python35\object_detection第三步：键入命令行，启动TensorBoard；...
2020-09-21 22:29:38
4056
1
原创 新建空列表的方法
#新建空列表的方法lableList1 = [0] * 10print(lableList1)# [0, 0, 0, 0, 0, 0, 0, 0, 0, 0]labelList2 = [[]] * 10print(labelList2)#[[], [], [], [], [], [], [], [], [], []]
2020-09-21 16:46:41
1292
原创 准确度、精确度、召回率、ROC曲线、AUC值
https://blog.csdn.net/maqian5/article/details/94392049?utm_medium=distribute.pc_relevant.none-task-blog-title-3&spm=1001.2101.3001.4242https://blog.csdn.net/sunflower_sara/article/details/81214897#%E7%B2%BE%E7%A1%AE%E7%8E%87%C2%A0%2F%C2%A0precision%2
2020-09-18 18:00:47
3636
原创 医学病理图像：细胞间质与间质细胞的区别
1、定义区别：间质细胞是：这个器官内存在的那些辅助实质细胞完成器官功能的细胞。细胞间质是：由细胞产生的不具有细胞形态和结构的物质，它包括纤维、基质和流体物质（组织液、淋巴液、血浆等）。2、作用不同：比如脑内的神经元细胞就是实质细胞，神经胶质细胞起支持营养神经细胞的作用，算是一种间质细胞，再如肝脏细胞是实质细胞，肝小叶间的纤维细胞就是间质细胞，起支持作用。细胞间质对细胞起着支持、保护、连结和营养作用，参与构成细胞生存的微环境。扩展资料：细胞间质是人体细胞所生活的液.
2020-09-17 15:28:17
4677
转载 各种＜ 熵 ＞总结
一.什么是熵Ⅰ.信息量首先考虑一个离散的随机变量x,当我们观察到这个变量的一个具体值的时候,我们接收到多少信息呢?我们暂时把信息看做在学习x的值时候的”惊讶程度”(这样非常便于理解且有意义).当我们知道一件必然会发生的事情发生了,比如往下掉的苹果.我们并不惊讶,因为反正这件事情会发生,因此可以认为我们没有接收到信息.但是要是一件平时觉得不可能发生的事情发生了,那么我们接收到的信息要大得多.因此,我们对于信息内容的度量就将依赖于概率分布p(x).因此,我们想要寻找一个函数h(x)来表示信息的多少且
2020-09-16 16:10:42
899
1
转载 方差、协方差、标准差、均方差、均方根值、均方误差、均方根误差对比分析
方差、协方差、标准差(标准偏差/均方差）、均方误差、均方根误差(标准误差)、均方根值本文由博主经过查阅网上资料整理总结后编写，如存在错误或不恰当之处请留言以便更正，内容仅供大家参考学习。 方差（Variance) 方差用于衡量随机变量或一组数据的离散程度，方差在在统计描述和概率分布中有不同的定义和计算公式。①概率论中方差用来度量随机变量和其数学期望（即均值）之间的偏离程度；②统计中的方差(样本方差)是每个样本值与全体样本均值之差的平方值的平均数，代表每个变量与总体均值间的离散程度...
2020-09-16 14:28:42
2335
原创 统计学：偏度和峰度的概念与计算
偏度偏度（skewness），是统计数据分布偏斜方向和程度的度量，是统计数据分布非对称程度的数字特征。定义上偏度是样本的三阶标准化矩。偏度定义中包括正态分布（偏度=0），右偏分布（也叫正偏分布，其偏度>0），左偏分布（也叫负偏分布，其偏度<0）。峰度峰度（peakedness；kurtosis）又称峰态系数。表征概率密度分布曲线在平均值处峰值高低的特征数。直观看来，峰度反映了峰部的尖度。随机变量的峰度计算方法为：随机变量的四阶中心矩与方差平方的比值。峰度包括.
2020-09-16 11:11:24
40319
4
转载 机器学习部分：距离的度量（欧氏距离，曼哈顿距离，夹角余弦距离，切比雪夫距离，汉明距离，闵可夫斯基距离，马氏距离）
目录距离计算方法1.欧式距离EuclideanDistance2. 曼哈顿距离(ManhattanDistance)3. 夹角余弦4.切比雪夫距离（Chebyshevdistance）5. 汉明距离(Hamming Distance)6. 闵可夫斯基距离(Minkowski Distance)7. 马氏距离(Mahalanobis Distance)在数据挖掘中，我们经常需要计算样本之间的相似度(Similarity ),我们通常的做法是计算样本之间的距离,本文对距离.
2020-09-14 11:42:56
1030
转载 图像超分辨率重建之SRCNN
图像超分辨率重建：指通过低分辨率图像或图像序列恢复出高分辨率图像。高分辨率图像意味着图像具有更多的细节信息、更细腻的画质,，这些细节在高清电视、医学成像、遥感卫星成像等领域有着重要的应用价值。Super-Resolution Convolutional Neural Network：本篇文章讲述的是深度学习在图像超分辨率重建问题的开山之作SRCNN(Super-Resolution Convolutional Neural Network)。香港中文大学Dong等将卷积神经网络应用于单张图像超分辨率重建
2020-09-12 11:17:39
1421
原创 OpenCV查找-绘制轮廓（cv2.findCountours函数，cv2.drawContours()）
什么是轮廓轮廓可以简单认为成连续的点（连着边界）连在一起的曲线，具有相同的颜色或者灰度。轮廓在形状分析和物体的检测和识别中很有用。为了准确，要使用二值化图像。需要进行阀值化处理或者Canny边界检测。 查找轮廓的函数会修改原始图像。如果之后想继续使用原始图像，应该将原始图像储存到其他变量中。 在OpenCV中，查找轮廓就像在黑色背景中找白色物体。你应该记住，要找的物体应该是白色而背景应该是黑色。 如何在一个二值图像中查找轮廓。 函数cv2.findContours()有三个参数，第一个是输入
2020-09-09 11:28:16
1720
原创 matplotlib.pyplot 显示散点
neighbors_result_xy：坐标(x,y)列表x：x坐标列表y：y坐标列表[[196, 527], [269, 383], [237, 541], [189, 395], [167, 538], [146, 531], [143, 458], [152, 435]][196, 269, 237, 189, 167, 146, 143, 152][527, 383, 541, 395, 538, 531, 458, 435]import matplotlib.pyplot.
2020-09-07 12:02:22
701
原创 注意力机制
https://github.com/HaloTrouvaille/YOLO-Multi-Backbones-Attention YOLO融合注意力机制 可以参考下NeuralNetworks 2020 | 哈工大与北大提出注意力引导的图像去噪mp.weixin.qq.com/s?__biz=MzIxOTczOTM4NA==&mid=2247490281&idx=2&sn=9d6eac5c230c98e37e56e933b293eee5&chksm=97d7ff7ea
2020-08-23 23:24:12
690
原创 keras运行时指定显卡及限制GPU用量
import osimport tensorflow as tfimport keras.backend.tensorflow_backend as KTF#进行配置，每个GPU使用60%上限现存os.environ["CUDA_VISIBLE_DEVICES"]="1,2" # 使用编号为1，2号的GPUconfig = tf.ConfigProto()config.gpu_options.per_process_gpu_memory_fraction = 0.6 # 每个GPU现存...
2020-08-20 18:07:22
226
1
转载 Linux系统下查找安装包所在目录的六种方法
想知道Linux系统下安装了哪些软件包，以及软件包安装在哪个目录下，可以用以下6种命令1. whichwhich命令查找出相关命令是否已经在搜索路径中，例子如下：$which gcc //显示出GNC的C编译器安装在哪个目录返回结果为：/usr/bin/gcc注意：如果which没有找到要找的命令，可以试试whereis,该命令搜索更大的范围的系统目录。有些系统上的which命令不显示用户没有执行权限的文件。例如$which ipppd/usr/bin/which :no ipppd i
2020-08-18 15:56:57
2841
原创 baseline , benchmark ，SOTA
baseline [ˈbeɪslaɪn]基准，性能的起点baseline一词应该指的是对照组，基准线，就是你这个实验有提升，那么你的提升是对比于什么的提升，被对比的就是baseline。比如你要研究一个新的模型，你是在前人的模型基础上新增加了一些组件，别人也基本都是在这个模型上进行修改，那这个模型就叫做baseline model——基准模型。听名字就能听出来，就是你自己模型的一个基准，一个基本的框架，模型再复杂，最根本的框架是差不多的。Benchmark [ˈbentʃmɑːk] 基准，同行.
2020-08-10 21:59:56
716
inception_resnet_v2 预训练模型
2020-01-06
cudnn-9.0-windows10-x64-v7.3.1.20
2018-10-04
通过Qt界面控制步进电机的启停
2017-05-18
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人