![](https://img-blog.csdnimg.cn/20201014180756724.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
自己学习机器学习以及自动驾驶感知
yzy-TBABTM
这个作者很懒,什么都没留下…
展开
-
create_imagep_visualization
此时image_data是450*450*3的,后面的三表示取出的rgb三个通道,也就是复制了前三个通道.有的话,是image_plus_data对应要取出的距离通道,450*450。首先如果没有cfg,是一个0矩阵,450*450,取了前两个维度。就是将radar_img转化为unit8,首先是一个0矩阵,450*450*3。原创 2022-11-07 15:26:04 · 136 阅读 · 0 评论 -
三.语义分割
一.FCN与经典CNN在卷积层使用全连接层得到固定长度的特征向量进行分类不同,FCN可以接受任意尺寸的输入图像,采用反卷积层对最后一个卷基层的特征图(feature map)进行上采样,使它恢复到输入图像相同的尺寸,从而可以对每一个像素都产生一个预测,同时保留了原始输入图像中的空间信息,最后奇偶在上采样的特征图进行像素的分类。如下图所示:1.三种上采样方式:双线性插值,反卷积,反池化,其中反卷积可以训练.1)双线性插值2)反卷积其重点为转置卷积操作,详情为:转置卷积反卷积..原创 2022-05-03 11:45:04 · 641 阅读 · 0 评论 -
二.感受野
举例子:两个3*3的=一个5*5的:计算公式:r是感受野;k是卷积核大小,s是步长。根据公式求一下上面的例子:r1=3(第一步没啥公式)r2 = r1 + (k2-1)s1=3+(2-1)x 2=5总结一下:小与大的卷积核,在stride差不多的情况下,参数量是差不多的,但是大卷积核的计算量大的多,因此用多个小卷积核代替大卷积核具有不错的效果,其非线性也更好....原创 2022-04-25 21:22:00 · 71 阅读 · 0 评论 -
经典网络---VGG
1.VGG和Alex相比:1)用两个3*3的卷积核代替原来的5*5,这样具有相同的感受野,却有更好的非线性,能够有更好的学习能力,并且计算量更小.2)提出VGG块,让其到今天都具有很多的应用,即迁移学习.2.后来提出的NINI网络,用1*1的卷积核代替最后的全链接:后面介绍上文写的感受野以及迁移学习...原创 2022-04-25 21:14:08 · 157 阅读 · 0 评论