- 博客(29)
- 收藏
- 关注
RSS订阅原创 Segment Anything model部署和使用
分割一切模型 （SAM） 根据输入提示（如点或框）生成高质量的对象mask，并可用于为图像中的所有对象生成mask。它已经在 1100 万张图像和 11 亿个掩码的数据集上进行了训练，在各种分割任务上具有强大的零样本性能。官方文档：facebookresearch/segment-anything: The repository provides code for running inference with the SegmentAnything Model (SAM), links for downlo
2024-01-17 11:26:19
1853
原创 机器学习--主成分分析 PCA
主成分分析（Principal Component Analysis，PCA）是一种常用的降维方法和数据分析技术。它可以将高维数据映射到低维空间，并保留最重要的特征信息。PCA的核心思想是通过线性变换将原始数据映射到新的坐标系下，使得在新的坐标系中，数据的方差最大化。具体步骤如下：标准化数据：将原始数据进行标准化处理，使得所有特征具有相同的尺度，避免某些特征对结果的影响过大。计算协方差矩阵：计算标准化后的数据的协方差矩阵。协方差矩阵描述了数据之间的相关性。
2023-12-31 15:08:40
1166
原创 深度学习数据处理（一）
TensorFlow 是一个功能强大的机器学习框架，具有广泛的应用和活跃的社区支持。在使用 TensorFlow 进行机器学习和深度学习开发时，需要掌握一些基本概念和技术，例如：张量：TensorFlow 中的基本数据类型，它们是多维数组，可以表示各种类型的数据。计算图：TensorFlow 的计算模型，它由一系列节点和边组成，每个节点代表一个操作，边代表张量的流动。变量：TensorFlow 中的状态，它们是可以被训练的张量，可以存储模型的参数和其他状态信息。
2023-12-22 20:44:56
1185
原创 深度学习目标检测（2）yolov3设计思想
YOLOv3算法基本思想可以分成两部分： YOLOv3算法预测过程的流程图如下，预测图片经过一系列预处理(resize、normalization等)输入到YOLOv3模型，根据预先设定的Anchor和提取到的图片特征得到目标预测框，最后通过非极大值抑制(NMS)消除重叠较大的冗余预测框，得到最终预测结果。YOLOv3网络结构大致分为3个部分：Backbone、Neck、Head: 如何产生候选区域，是检测模型的核心设计方案。目前大多数基于卷积神经网络的模型所采用的方式大体如下：
2023-12-19 22:58:28
1303
1
原创 机器学习支持向量机（SVM）
支持向量机（Support Vector Machine，SVM）是一种强大的监督学习算法，常用于分类和回归问题，广泛应用于文本分类、图像识别、生物信息学、金融预测等许多领域。在高维空间中有较好的分类性能，适用于复杂的非线性问题。可有效处理小样本情况，具有较好的泛化能力。使用支持向量的形式来表示分类决策函数，因此模型比较简洁。对大规模训练样本的计算复杂度较高。对参数的选择敏感，需要进行调参。对噪声数据比较敏感，可能导致过拟合。
2023-12-15 21:06:55
1068
原创 操作系统--进程高级通讯
进程高级通讯有以下方式：管道通讯：管道是一种半双工的通讯方式，分为匿名管道和命名管道。匿名管道只能在父子进程之间使用，而命名管道可在不同进程之间使用。消息队列通讯：消息队列是一种异步通信的方式，通讯双方可以独立地进行读和写操作，无需等待对方的响应。消息队列支持多个读者和写者，适用于进程间较为复杂的通讯场景。共享内存通讯：共享内存是一种高效的通讯方式，多个进程可以同时访问同一块内存区域。通讯双方可以直接在内存中进行数据传输，无需经过内核的拷贝操作，因此效率很高。
2023-12-14 23:02:32
795
原创 深度学习目标检测（一）
这次我们学习了目标检测一些基本概念，了解了yolo相关知识，后面我们将进行更多目标检测知识讲解，学习yolov3的使用，想要更快了解可以到百度飞浆平台。
2023-12-09 20:24:09
922
原创 操作系统--生产者与消费者问题
基本的生产者和消费者问题的解决方案包括使用互斥锁和条件变量或信号量的组合。生产者在向缓冲区添加数据之前需要获得互斥锁，然后检查是否有空闲位置，如果没有则等待条件变量或信号量。当有空闲位置时，生产者将数据放入缓冲区，并通过条件变量或信号量通知消费者。类似地，消费者在从缓冲区获取数据之前需要获得互斥锁，并检查是否有可用数据，如果没有则等待条件变量或信号量。当有可用数据时，消费者从缓冲区取出数据，并通过条件变量或信号量通知生产者。
2023-12-06 22:22:04
1691
原创 机器学习logistic回归实战
在训练Logistic回归模型时，通常采用最大似然估计方法，即选择参数使得给定数据集下模型预测正确的概率最大化。为了防止过拟合，可以添加正则项（L1或L2正则化）来控制参数的大小。计算效率高，适用于大规模数据集。可以得到分类结果的概率。可以使用正则项防止过拟合。可以处理离散型特征。无法处理非线性关系。对于多分类问题，需要进行扩展，例如使用一对多方法。对于不平衡数据集，容易受到少数类样本的影响。需要仔细选择特征，过多或过少的特征都可能导致效果不佳。w2*2+bb。
2023-12-03 20:33:50
806
原创 深度学习RNN实战
采用开源的对联数据集couplet-clean-dataset，该数据集过滤了 couplet-dataset中的低俗、敏感内容。这个数据集包含70w多条训练样本，1000条验证样本和1000条测试样本。下面列出一些训练集中对联样例：上联：晚风摇树树还挺下联：晨露润花花更红src,trg,embed_dim,pad_id))
2023-12-02 15:14:04
1086
1
原创 深度学习中的循环神经网络（RNN）
本文介绍了深度学习中循环神经网络（RNN）的基本知识点，包括RNN的原理、应用场景以及使用Python和TensorFlow库实现简单RNN的代码示例。RNN作为一种具有记忆能力的神经网络模型，在序列数据处理中具有重要的应用价值。接下来我们将通过rnn模型来进行更多有趣的实战。
2023-11-30 20:58:08
4941
原创 matlab--简单滤波器的设计
低通滤波器的运算使图像中的细节和高频信息受到抑制，从而可以减少图像中的噪声并平滑图像。然而，需要注意的是，低通滤波器会使图像的细节丢失，因此需要根据具体应用场景来选择合适的滤波器和参数。高通滤波可以应用于许多图像处理任务，比如图像增强、边缘检测等。但需要注意的是，高通滤波可能会增加图像中的噪音，因此在应用高通滤波时需要根据具体的应用场景和图像特点进行调整。
2023-11-28 22:47:09
3599
1
原创 深度学习--线性回归简单实现
深度学习线性回归是一种利用神经网络实现线性关系模型的方法。通过训练数据，我们可以找到最佳的模型参数，从而对新的输入数据进行预测。在实际应用中，我们可以根据具体的问题选择合适的损失函数和优化算法，并使用深度学习框架来快速实现和训练模型。
2023-11-24 10:42:36
389
1
原创 深度学习--cnn神经网络
卷积神经网络（Convolutional Neural Network，简称CNN）是一种常用于图像识别和计算机视觉任务的深度学习模型。与传统的全连接神经网络相比，CNN神经网络具有更少的参数数量和更高的计算效率，因此在处理大规模图像数据时表现更为优异。CNN神经网络的核心思想是从输入图像中提取局部特征，并通过卷积、池化等操作将这些特征组合起来得到高级特征，最终输出分类结果。使用PyTorch定义一个简单的CNN神经网络，包含两个卷积层、两个池化层和两个全连接层。
2023-11-23 22:00:48
969
原创 机器学习贝叶斯算法实现垃圾邮件分类
贝叶斯分类是一种简单且有效的方法来实现垃圾邮件分类。通过准备数据、提取特征、训练模型和进行分类预测，可以实现对未知邮件的自动分类。数据集可以参考百度飞浆平台。
2023-11-20 13:57:40
422
2
原创 直方图处理--规定化
直方图规定化是一种用于调整图像对比度和亮度的方法，通过将图像的像素值映射到目标直方图的过程来实现。增强对比度：直方图规定化可以显著改善图像的对比度，使得图像中的细节更加突出。调整亮度：通过匹配目标直方图，可以调整图像的亮度分布，使得图像更贴近期望的亮度效果。保留图像特征：在规定化过程中，图像的整体特征和结构通常能够得到保留，只是对比度和亮度发生了调整。信息丢失：直方图规定化可能会导致原始图像中的一些细节和信息丢失，特别是在目标直方图与原始直方图差异较大的情况下。
2023-11-17 12:16:49
1697
2
原创 直方图处理--均衡化
图像直方图均衡化是一种常用的图像增强技术，它通过重新分配图像的像素值来提高图像的对比度和细节，在图像处理和计算机视觉领域有广泛应用，如图像增强、目标检测、人脸识别等。它是一种简单且有效的方法，特别适用于具有低对比度或灰度分布不均匀的图像，但是直方图均衡化可能会导致图像的亮度和色彩发生变化。
2023-11-16 17:14:05
1185
1
原创 数字图像处理学习--基础知识
从物理和数学的角度看，图像是记录物体辐射能量的空间分布。采样：一个连续的模拟信号x(t)，通过一个周期性开闭（周期为TS，开关闭合时间为τ）的采样开 关 K 之后，在开关输出端输出一串在时间上离散的脉冲信号xs(nTs )。量化：采样信号的幅值与某个最小数量单位的一系列倍数比较，用最接近采样信号幅值的最小数量单位倍数来代替该幅值。x,y,z表示空间变量，t表示时间变量，编码：将量化信号的电平用数字代码来表示。是（x，y）处振幅，该点亮度。图像空间分辨率变化所产生的效果。,其中x，y是平面坐标，
2023-11-14 12:07:59
76
1
原创 数字图像处理学习--绪论
医学影像：在医学领域，数字图像处理技术被广泛应用于医学影像的获取、分析和诊断，包括X射线片、CT扫描、MRI等影像的处理与分析，以及医学图像的三维重建和可视化。三是广泛的农牧业、林业、环境、军事、工业和医学等方面的应用需求的增长。在图像分析的基础上，进一步研究图像中各目标的性质和它们之间的相互关系，并通过对图像内容含义的理解得出对原来客观场景的解释，从而指导和规划行动。总的来说，数字图像处理技术在现代社会的各个领域都有着广泛的应用，促进了医疗健康、科学研究、工业生产、文化娱乐等方面的发展和进步。
2023-11-10 21:59:40
92
1
原创 matlab图像频域变换--傅立叶变换
在图像处理的广泛应用领域中，傅立叶变换起着非常重要的作用，具体表现在包括图像分析、图像增强及图像压缩等方面。假设fxy）是一个离散空间中的二维函数，则该函数的二维傅立叶变换的定义如下：离散傅立叶反变换的定义如下：Fpq）称为fmn）的离散傅立叶变换系数。这个式子表明，函数fmn）可以用无数个不同频率的复指数信号和表示，而在频率（w1，w2）处的复指数信号的幅度和相位是Fw1，w2）。例如，函数fmn。
2023-11-09 23:24:18
485
1
原创 决策树学习与实战
决策树分类的思想类似于找对象。现想象一个女孩的母亲要给这个女孩介绍男朋友，于是有了下面的对话：女儿：多大年纪了？(年龄)母亲：26。女儿：长的帅不帅？(长相)母亲：挺帅的。女儿：收入高不？(收入情况)母亲：不算很高，中等情况。女儿：是公务员不？(是否公务员)母亲：是，在税务局上班呢。女儿：那好，我去见见。分类决策树模型是一种描述对实例进行分类的树形结构。决策树由结点和有向边组成。结点有两种类型：内部结点和叶节点。内部结点表示一个特征或属性，叶节点表示一个类。
2023-11-05 22:07:06
108
原创 matlab对比度拉伸函数
对比度拉伸函数的作用是将原始图像的灰度值映射到0到L−1的范围内，这样可以使得图像中的像素值更加均匀地分布在整个灰度级范围内，从而增强图像的对比度。对比度拉伸函数是一种用于增强图像对比度的方法，也被称为灰度变换。它可以将图像中像素值较低和较高的区域拉伸到较佳的亮度范围内，从而增加图像的对比度。其中，f(x,y)表示原始图像中像素(x,y)的灰度值；min和max分别是图像中所有像素的最小灰度值和最大灰度值；L是拉伸后的灰度级数。
2023-11-04 16:14:25
911
1
原创 matlab图像基本操作
1.读入照片：I = imread('D:\matlalbsy1\1.png');2.读入图片基本信息：whos I 3.显示图片：imshow(I);4.利用imfifo获取图片详细信息：info = imfinfo('D:\matlalbsy1\1.png');5.利用imwrite()函数来压缩这幅图象：imwrite(I,'D:\matlalbsy1\1.png','quality',40);6.利用imwrite()函数将最初读入的tif图象另存为一幅bmp图像：imwrite(I,'D:\mat
2023-11-02 16:42:04
345
1
原创 matlab霍夫曼编码实验--统计英文文章各字符出现的次数
然后，将频率最低的两个节点合并为一个新节点，频率等于这两个节点的频率之和。在霍夫曼树中，从根节点到每个叶子节点的路径上的左分支用0表示，右分支用1表示。在解压时，只需使用相同的霍夫曼树和编码表，将压缩的数据逆向解码即可恢复原始数据。霍夫曼树是一种特殊的二叉树，其中字符频率较低的字符在树的顶部，而频率较高的字符在树的底部。将原始数据中的每个字符替换为其对应的霍夫曼编码，即可得到压缩后的数据。通过从根节点出发，沿着路径到达目标字符所在的叶子节点，并记录经过的分支方向（0或1），即可生成该字符的霍夫曼编码。
2023-11-01 21:26:25
702
1
原创 机器学习模型评估工具--pr曲线和roc曲线
在二元分类问题中，精确度指被正确分类为正类别的样本数与被分类为正类别的所有样本数的比率，召回率指被正确分类为正类别的样本数与真实正类别样本总数的比率。在训练集上训练出二分类模型后我们将测试集中的数据输入模型，这时我们可以计算得到这些数据属于某个类别的概率，将这些预测概率从小到大排列，然后将分类阈值依次设为[0，1]区间中不同的概率值并计算这时的准确率和召回率，最后将这些准确率和召回率在二维坐标系中连起来就得到了pr曲线。：TP / (TP + FN)，表示真实为正类的样本中被分类器正确判定为正类的比例。
2023-10-23 17:09:25
191
原创 KNN算法学习--简单实现对羽毛球拍类型的分类
由于数据集比较少代码比较简单，预测结果准确率可能不高容易出现过拟合（过拟合（Overfitting）是指机器学习模型在训练数据上表现得很好，但在新的未见过的数据上表现较差的情况。），只能通过下次慢慢改进。
2023-10-09 16:46:20
71
原创 机器学习环境配置anconda2021+vscode+pytorch1.12.1+opencv4.6
选择安装路径：选择想要安装 Visual Studio Code 的目标路径。打开控制面板 > 系统 > 高级系统设置，或直接在控制面板搜索框搜索 “高级系统设置”，选择 “环境变量”，双击 “用户变量” 中的 Path。的安装目录中Scripts文件夹的路径和 Anaconda 的安装路径，根据自己实际安装路径输入，确定。这样机器学习环境简单配置就完成了，如果安装太慢可以选择换源，opencv可以到官网直接下载压缩包然后安装。选择安装路径：选择想要安装Anaconda的目标路径，然后next直到完成。
2023-09-25 22:02:35
247
1
原创 深入深度学习
1.感知机感知机是一个接收多个输入，输出单个输出的算法原理：eg：阈值相当于物理最大静摩擦力感知机就像人拉飞机，只有超过最大静摩擦力才能移动实现：卷积神经网络全连接层在整个卷积神经网络中起到“分类器”的作用。卷积层作用是提取特征。池化层作用缩小输入。输入层：...
2021-11-26 19:27:24
1966
原创 机器学习的分类问题和回归问题；深度学习超参数介绍；网络搭建
一、机器学习定义 理解机器学习，首先明确机器。 机器，指的是计算机，算法运行物理载体。 机器学习，为了完成一项任务，我们通过设计一种算法，利用数据，提取数据中蕴含规律，训练出模型，让模型进行预测。 输入机器的数据带有标签，为有监督学习。否则为无监督学习。二、分类与回归问题区别1、输入变量不同连续变量预测称为回归；eg：预测明天气温离散变量预测称为分类。eg：预测明天天气2、应用场景不同（分类通常建立在回归之上，而且分类没有相近概念，最终正确结果只有一个）三...
2021-11-13 21:58:49
1964
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