![](https://img-blog.csdnimg.cn/20201014180756918.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
人工智能
你好!!ii
这个作者很懒,什么都没留下…
展开
-
cannot import name ‘imread‘ from ‘scipy.misc‘
解决方法:将from scipy.misc import imreadfrom scipy.misc import imresize转换成from imageio import imread原创 2022-04-28 21:23:18 · 200 阅读 · 0 评论 -
商品检测数据集
学习目标了解常用目标检测数据集 了解数据集构成官网地址:TThe PASCAL Visual Object Classes Homepage (ox.ac.uk)下载地址:Pascal VOC Dataset Mirror地址:Open Images Dataset V6官网:tzutalin/labelImg: 🖍️ LabelImg is a graphical image annotation tool and label objec原创 2022-04-27 18:50:30 · 526 阅读 · 0 评论 -
SSD进行物体检测
1.案例效果:2.案例需求:代码:对结果进行标记-完整代码:def tag_picture(self, images_data, outputs): """ 显示预测结果到图片中 :return: """ # 获取每张图片预测结果的值 for i, img in enumerate(images_data): # 解析输出结果,每张图片的标签,置信度和位置 pre原创 2022-04-26 17:07:28 · 475 阅读 · 0 评论 -
SSD原理
候选框生成结构之后还会进行微调,利用四个variance做回归调整候选框原创 2022-04-25 15:30:10 · 61 阅读 · 0 评论 -
YOLO原理
原创 2022-04-24 20:48:24 · 238 阅读 · 0 评论 -
Fast R-CNN
Fast R-CNNFast R-CNN整体结构:原创 2022-04-24 17:24:43 · 1259 阅读 · 0 评论 -
SSPNet
/映射SSPNet完整结构:原创 2022-04-24 16:17:09 · 219 阅读 · 0 评论 -
R-CNN
候选区域方法:提供了一个物体检测的一种重要思路R-CNN步骤:1.对于一张图片,找出默认2000个候选区域 2.2000个候选区域做大小变换,输入AlexNet当中,得到特征向量 2000 * 4096 3.经过20个类别的SVM分类器,对于2000个候选区域做判断,得到(2000, 20)得分矩阵 4.2000个候选区域做NMS,取出不好的,重叠高度的一些候选区域,得到剩下分数高的,从而得到好的框 5.修正候选框,做一个bbox的回归微调...原创 2022-04-24 15:38:50 · 1082 阅读 · 0 评论 -
Overfeat模型(滑动窗口)
对于多个目标的情况,就不能以固定个数输出物体的位置值 滑动窗口首先定义若干个大小窗口,k个 k中每个窗口都要滑动图片,每个窗口滑动M次 K * M暴力破解方式 计算量太大原创 2022-04-24 15:37:18 · 216 阅读 · 0 评论 -
目标检测概述
项目结构数据采集层:主要做数据收集标注工作深度模型层:YOLO,SDD模型,模型导出,Serving部署用户层:跟前端交互(web后台) 对接部署模型原创 2022-04-23 17:29:12 · 164 阅读 · 0 评论 -
迁移学习的介绍和案例
案例迁移学习利用数据,任务和模型之间的相似性, 都是分类问题 在旧的领域学习过或训练好的模型 应用于新的领域进行训练模型地址:models/research/slim at master · tensorflow/models · GitHubfine tuning, 微调调整模型参数不需要过多调整 调整模型结构,微微调整 其中Pre_trained:预训练模型 fine tuning:微调后的模型预训练模型:tensorflow Model .原创 2022-04-22 20:05:39 · 561 阅读 · 0 评论 -
经典分类网络
学习目标:知道LeNet-5网络结构。了解经典的分类网络结构知道一些常见的卷机网络结构的优化知道NIN中1x1卷积原理以及作用知道Inception的作用了解卷积神经网络学习过程内容应用应用:使用pre_trained模型进行VGG预测LeNet-5解析...原创 2022-04-15 21:43:45 · 1185 阅读 · 0 评论 -
案例:使用pre_trained模型进行VGG
Goole在提供VGG进行预测时效果会更好一些,所以选择使用VGG来进行测试在tensorflow,keras.applications存在很多的模型Xception 88 79.0% 94.5% 22.9M 81 109.4 8.1 VGG16 528 71.3% 90.1% 138.4M 16 69.5 4.2 VGG19 549 71.3% 90.0% 143.7M 19原创 2022-04-15 21:41:54 · 1030 阅读 · 0 评论 -
深度学习正则化
目录tensorflow2.keras深度学习正则化解决方法对于高方差,有以下几种方式:获取更多的数据,使得训练能够包含所有可能出现的情况·正则化(Regularization) 寻找更合适的网络结构对于高偏差,有以下几种方式:扩大网络规模,如添加隐藏层或者神经元数量 寻找合适的网络架构,使用更大的网络结构,如AlexNet·训练时间更长一些不断尝试,直到找到低偏差、低方差的框架。正则化项的理解:keras.layers.Conv.原创 2022-04-15 17:21:23 · 1330 阅读 · 0 评论 -
tensorflow卷积神经网络实战----验证码识别
tensorflow2交叉熵的计算读取图片数据:def read_pic(): """ 读取图片数据 return filename_batch, image_b """ # 1. 构造文件名队列 # 获取文件名列表 file_names = glob.glob("./data/GenPics/*.jpg") # print("file_names:\n", file_names) ...原创 2022-04-14 16:15:46 · 490 阅读 · 2 评论 -
keras对数据集cifar100实现卷积神经网络识别
model = keras.models.Sequential([ # 卷积层1; 32个5*5*3的filter keras.layers.Conv2D(32, kernel_size=5, strides=1, padding="same", data_format="channels_last", activation=tf.compat.v1.nn.relu), # 池化层1;2*2窗口 keras...原创 2022-04-13 21:11:54 · 687 阅读 · 0 评论