- 博客(17)
- 收藏
- 关注
RSS订阅原创 卷积中add与concat操作区别及作用
卷积中add与concat操作区别及作用几何图示区别作用区别数学解释区别程序区别几何图示区别add操作NiN_iNi经过一个尺寸为3X3，步长为2的卷积之后，特征图尺寸减小为原来的一半然后和Pi+1P_{i+1}Pi+1这个特征图做add操作，得到的结果再经过一个卷积核尺寸为3X3，stride=1的卷积层得到Ni+1N_{i+1}Ni+1。作用区别concat作用concat是通道数的增加，也就是说描述图像本身的特征数（通道数）增加了，而每一特征下的信息是没有增加；横向或纵向空间上的
2021-03-24 11:24:22
16074
3
转载 小嘿嘿之mmdetection中faster(cascade)_rcnn配置文件解析及小知识点补充（通道数与特征图）
这里写目录标题知识补充一. 卷积网络中的通道和特征图RGB通道通道与特征通道的终点知识点补充二：cascade_rcnn论文解读1.配置文件faster(cascade)_rcnn_r50_fpn_1x.py2.配置文件cascade_rcnn_r50_fpn_1x.py知识补充一. 卷积网络中的通道和特征图通道（Channel），也有叫特征图（feature map）的。卷积网络中主要有两个操作，一个是卷积(Convolution)，一个是池化(Pooling)。其中池化层并不会对通道之间的交互有
2020-08-12 16:41:21
2423
1
原创 小嘿嘿之目标检测关键小技术focal loss/DCN/ROI Align/FPN
目标检测小技术Focal loss1.概念2.损失函数形式Deformable Convlolutional Networks1.背景问题Focal loss转载：https://www.cnblogs.com/king-lps/p/9497836.html焦点损失函数旨在通过降低内部加权（简单样本）来解决类别不平衡问题，这样即使简单样本的数量很大，但它们对总损失的贡献却很小。也就是说，该函数侧重于用困难样本稀疏的数据集来训练。1.概念Focal loss主要是为了解决one-stage目标检测中
2020-07-31 13:43:33
1564
转载 小嘿嘿之多类分类算法
多类分类算法一对一拆分（OvO）一对多拆分（OvR）多对多拆分（MvM）多分类问题的基本思想就是，将多分类任务拆解为若干个二分类任务求解。一对一拆分（OvO）基本思想：将N个类别两两匹配，每次使用2个类别的数据训练分类器，从而产生N(N−1)/2个二分类器。使用时，将样本提交给所有的分类器，得到了N(N−1)/2个结果，最终属于哪个类别通过投票产生。分类器个数：N(N−1)/2个特点：分类器较多，且每个分类器在训练时只使用了2个类别的样本数据。一对多拆分（OvR）基本思想：每次将一
2020-07-21 15:55:54
1312
转载 小嘿嘿之目标检测YOLO算法
YOLO算法名称由来目标检测算法的发展与对比算法理念类别概率计算图示网络结构损失函数名称由来其全称是You Only Look Once: Unified, Real-Time Object Detection，基本上把Yolo算法的特点概括全了：You Only Look Once说的是只需要一次CNN运算，Unified指的是这是一个统一的框架，提供end-to-end的预测，而Real-Time体现是Yolo算法速度快。目标检测算法的发展与对比比较流行的目标检测算法可以分为两类：一类是基于
2020-07-20 14:22:44
757
转载 小嘿嘿之卷积神经网络VGG16（卷积/池化/全连接）
VGG16前言知识什么是卷积？什么是padding?什么是池化pooling？什么是全连接？VGG16VGG结构配置VGG16网络前言知识什么是卷积？卷积过程是使用一个卷积核（如图中的Filter），在每层像素矩阵上不断按步长扫描下去，每次扫到的数值会和卷积核中对应位置的数进行相乘，然后相加求和，得到的值将会生成一个新的矩阵。卷积核相当于卷积操作中的一个过滤器，用于提取我们图像的特征，特征提取完后会得到一个特征图。卷积核的大小一般选择3x3和5x5，比较常用的是3x3，训练效果会更好。卷积核里面
2020-07-20 10:46:35
10850
1
转载 小嘿嘿之卷积神经网络Faster R-CNN发展及原理
paper:Faster R-CNN: Towards Real-Time Object Detection with Region Proposal NetworksTensorflow-faster r-cnn github:Tensorflow Faster RCNN for Object DetectionFaster R-CNN1 发展历程1.1 目前的卷积神经网络1.2 Faster R-CNN发展由来1.2.1 CNN1.2.2 RCNN（基于区域的卷积神经网络）1.2.3 Fast RC
2020-07-14 16:04:15
548
原创 小嘿嘿之常见分类算法之SVM/k-近邻/BP神经网络/朴素贝叶斯
SVM是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机；SVM还包括核技巧，这使它成为实质上的非线性分类器。SVM的的学习策略就是间隔最大化，可形式化为一个求解凸二次规划的问题，也等价于正则化的合页损失函数的最小化问题。SVM的的学习算法就是求解凸二次规划的最优化算法。目标：求解能够正确划分训练数据集并且几何间隔最大的分离超平面（w⋅x+b=0...
2020-07-07 16:37:50
1451
原创 小嘿嘿之常见分类算法之决策树
ID3用信息增益，C4.5用信息增益率，CART用gini系数。{\color{Red}ID3用信息增益，C4.5用信息增益率，CART用gini系数。}ID3用信息增益，C4.5用信息增益率，CART用gini系数。决策树之ID3算法一种贪心算法，以自顶向下的递归方式。信息熵（Information Entropy）H(S)=−∑k=1npilog2piH(S)=-\sum_{k=1}^...
2020-07-07 16:36:20
188
原创 小嘿嘿之常见聚类算法之DBSCAN/k-means/BIRCH
DBSCAN(基于密度)2个算法参数：邻域半径R和最少点数目minpoints。{\color{Red}2个算法参数：邻域半径R和最少点数目minpoints。}2个算法参数：邻域半径R和最少点数目minpoints。这两个算法参数实际可以刻画什么叫密集——当邻域半径R内的点的个数大于最少点数目minpoints时，就是密集。3种点的类别：核心点，边界点和噪声点。{\color{Red}3...
2020-07-07 16:35:26
1415
转载 图像处理之滤波
转载https://blog.csdn.net/weixin_42026802/article/details/80181627图像处理之滤波线性滤波卷积卷积核图像锐化滤波器边缘检测浮雕运动模糊均值模糊高斯模糊线性滤波线性滤波可以说是图像处理最基本的方法，它可以允许我们对图像进行处理，产生很多不同的效果。首先，我们有一个二维的滤波器矩阵（有个高大上的名字叫卷积核）和一个要处理的二维图像。然后，对于图像的每一个像素点，计算它的邻域像素和滤波器矩阵的对应元素的乘积，然后加起来，作为该像素位置的值。这样就完
2020-07-07 16:33:50
895
转载 图像处理之目标检测与识别
区别：目标检测是用来确定图像的某个区域是否含有要识别的对象，识别通常只处理已检测到对象的区域。在计算机视觉中有很多目标检测和识别的技术：梯度直方图（Histogram of Oriented Gradient, HOG）图像金字塔滑动窗口四种技术梯度直方图是一个特征描述符，不是基于颜色值而是基于梯度来计算直方图的。但是这种特征会受到两个方面的影响：尺度问题、位置问题，为了解决这些问题，需要使用图像金字塔和滑动窗口。图像金字塔是图像的多尺度表示滑动窗口通过一个滑动窗口扫描较大图像的
2020-07-07 16:30:13
7579
原创 小嘿嘿之玻璃边缘检测技术
关于《基于机器视觉的位置偏移检测技术研究》----顾振华的读后感为了解决什么样的难点技术创新点技术过程关键词解释二值化二值化原理二值化阈值选取常用方法为了解决什么样的难点难点一：在一般环境光玻璃为透明、半透明状态难点二：需要人工给电路板与斑马纸对齐难点三：不能对原始图像进行过多的图像处理，防止使真实偏移数值出现失真难点四：光源选择（这里选择同轴光源\red{同轴光源}同轴光源）难点五：斑马纸存在公差，完全精确对齐困难技术创新点创新点一：用机器视觉检测ITO、斑马纸和电路板金手指的相对偏
2020-07-07 16:28:27
1112
转载 图像处理之边缘检测
边缘检测边缘检测步骤边缘检测基础知识边缘模型一阶导数和二阶导数作用计算一阶导数计算二阶导数边缘检测算子Roberts算子Prewitt算子Sobel算子空间滤波器平滑空间滤波器锐化空间滤波器成熟先进的边缘检测技术Marr-Hildreth边缘检测器坎尼边缘检测Canny边缘检测步骤①滤波：边缘检测算法主要是基于图像强度的一阶和二阶导数，但导数的计算对噪声很敏感，因此必须使用滤波器来改善与噪声有关的边缘检测器的性能。需要指出，大多数滤波器在降低噪声的同时也导致了边缘强度的损失，因此，增强边缘和降低噪声之间
2020-07-02 17:12:54
9906
原创 分类vs聚类
分类（监督学习）通过学习来得到样本属性与类标号之间的关系。分类任务就是通过学习得到一个目标函数f，把每个属性集x映射到一个预先定义的类标号y中。分类的最后一层通常要使用softmax函数进行判断其所属类别。分类并没有逼近的概念，最终正确结果只有一个，错误的就是错误的，不会有相近的概念。最常见的分类方法是逻辑回归，或者叫逻辑分类。评估分类方法的标准：（1）预测的准确率。模型正确地预测新样本的...
2020-04-04 13:32:34
452
转载 小嘿嘿之关联规则（Aprior&FTree）&特征选择&数据归约
特征选择是指从已有的M个特征中选择N个特征使得系统的特定指标最优化，是从原始特征中选择出一些最有效特征以降低数据集维度的过程,是提高学习算法性能的一个重要手段,也是模式识别中关键的数据预处理步骤。特征选择的四要素搜索起点和方向；搜索策略；特征评估函数；停止准则特征选择的一般过程1）产生过程是搜索特征子集的过程，负责为评价函数提供特征子集。2）评价函数是评价一个特征子集好坏程度的一个...
2020-03-27 19:59:01
1399
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