- 博客(23)
- 收藏
- 关注
RSS订阅原创 FCN网络结构学习
参考文献：FCN——Semantic Segmentation的开山之作之论文解析FCN论文阅读笔记最详细的FCN论文笔记1.大致背景CNN这几年一直在驱动着图像识别领域的进步。无论是整张图片的分类(ILSVRC),还是物体检测，关键点检测都在CNN的帮助下得到了非常大的发展。但是图像语义分割不同于以上任务，这是个空间密集型的预测任务，换言之，这需要预测一幅图像中所有像素点的类别。以往的用于语义分割的CNN，每个像素点用包围其的对象或区域类别进行标注，...
2021-07-02 09:43:45
400
转载 图像分割论文总结
参考文献：深度学习之图像分割CNN图像语义分割基本上是这个套路：下采样+上采样：Convlution + Deconvlution／Resize 多尺度特征融合：特征逐点相加／特征channel维度拼接 获得像素级别的segement map：对每一个像素点进行判断类别即使是更复杂的DeepLab v3+依然也是这个基本套路。Image Segmentation（图像分割）网络结构比较网络 父辈 生辰 增加的结构 丢弃的结构 优势
2021-07-01 21:09:47
310
原创 U-Net论文学习
1、标题U-Net: Convolutional Networks for Biomedical Image SegmentationU-Net：用于生物医学图像分割的卷积网络2、概述3、网络结构
2021-06-21 16:42:25
1698
1
原创 Docker学习
1、简单理解Docker的思想来自于集装箱，集装箱解决了什么问题？在一艘大船上，可以把货物规整的摆放起来。并且各种各样的货物被集装箱标准化了，集装箱和集装箱之间不会互相影响。那么我就不需要专门运送水果的船和专门运送化学品的船了。只要这些货物在集装箱里封装的好好的，那我就可以用一艘大船把他们都运走。docker就是类似的理念。现在都流行云计算了，云计算就好比大货轮。docker就是集装箱。1.不同的应用程序可能会有不同的应用环境，比如.net开发的网站和php开发的网站依赖的软件就不一样，如果把他们依
2020-12-08 15:53:46
67
原创 YOLO目标检测学习
1、目标检测概述目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。计算机视觉中关于图像识别有四大类任务：分类 - Classification：解决 “是什么？” 的问题，即给定一张图片或一段视频判断里面包含什么类别的目标。定位 - Location：解决 “在哪里？” 的问题，即定位出这个
2020-11-25 15:42:25
475
原创 车道线检测入门案例
1、Canny边缘检测Canny边缘检测算法可以分为以下5个步骤：应用高斯滤波来平滑图像，目的是去除噪声找寻图像的强度梯度（intensity gradients）应用非最大抑制（non-maximum suppression）技术来消除边误检（本来不是但检测出来是）应用双阈值的方法来决定可能的（潜在的）边界利用滞后技术来跟踪边界通过图像像素变化的梯度来确定这个点是否是边缘双阈值一般的边缘检测算法用一个阀值来滤除噪声或颜色变化引起的小的梯度值，而保留大的梯度值。Canny算法应用.
2020-11-22 21:08:33
666
3
原创 python参数传递和内存分析
1、参数传递Python中参数的传递都是“引用传递”，具体分两类：对“可变对象”进行“写操作”，直接作用于原对象本身。对“不可变对象”进行“写操作”，会产生一个新的“对象空间”，并用新的值填充这块空间。（起到其他语言的“值传递”效果，但不是“值传递”）可变对象：字典、列表、集合、自定义对象不可变对象：数字、元组、字符串、function等1.1、传递可变对象的引用b = [10,20]def f2(m): print("m:", id(m)) # b 和 m 是同一个对象
2020-10-03 21:19:10
524
原创 Python中的Pandas库学习
参考：Python中的pandas库简介及其使用python之pandas用法详解Pandas中loc和iloc函数用法详解1、介绍pandas是一个强大的分析结构化数据的工具集；它的使用基础是Numpy（提供高性能的矩阵运算）；用于数据挖掘和数据分析，同时也提供数据清洗功能。Pandas中常见的数据结构有两种：SeriesDateFrame类似一维数组的对象类似多维数组/表格数组；每列数据可以是不同的类型；索引包括列索引和行索引1.1、SeriesSeries的
2020-09-24 16:00:06
206
原创 梯度（gradient）
1、定义梯度的本意是一个向量（矢量），表示某一函数在该点处的方向导数沿着该方向取得最大值，即函数在该点处沿着该方向（此梯度的方向）变化最快，变化率最大（为该梯度的模）。参考：为什么梯度反方向是函数值局部下降最快的方向？直观理解 梯度（gradient）...
2020-09-24 10:14:00
5254
原创 递归与动态规划
1、动态规划语雀算法知识链接基本思想：动态规划过程是：每次决策依赖于当前状态，又随即引起状态的转移。一个决策序列就是在变化的状态中产生出来的，所以，这种多阶段最优化决策解决问题的过程就称为动态规划。适合于用动态规划法求解的问题，经分解后得到的子问题往往不是互相独立的（即下一个子阶段的求解是建立在上一个子阶段的解的基础上，进行进一步的求解）。练习：参考链接题目1：一只青蛙一次可以跳上1级台阶，也可以跳上2级。求该青蛙跳上一个n级的台阶总共有多少种跳法1、第一步先找这个函数与下一个函数之间的关系
2020-09-15 10:46:03
202
原创 汉诺塔
1、汉诺塔问题汉诺塔问题是一个经典的问题，把圆盘从下面开始按大小顺序重新摆放在另一根柱子上。并且规定，任何时候，在小圆盘上都不能放大圆盘，且在三根柱子之间一次只能移动一个圆盘。问应该如何操作？如果是初次接触类似的问题，乍看之下肯定会感觉无从下手。要把64个圆盘从a柱子移动到c柱子上，第一步应该怎么做？虽然可以肯定，第一步唯一的选择是移动a最上面的那个圆盘，但是应该将其移到b还是c呢？很难确定。因为接下来的第二步、第三步……直到最后一步，看起来都是很难确定的。能立即确定的是最后一步：最后一步的盘子肯定
2020-08-22 22:14:21
198
原创 git学习使用
1、git处理分支的方式在进行提交操作时，Git会保存一个提交对象（commit object）。知道了Git保存数据的方式，我们可以很自然的想到——该提交对象会包含一个指向暂存内容快照的指针。 但不仅仅是这样，该提交对象还包含了作者的姓名和邮箱、提交时输入的信息以及指向它的父对象的指针。首次提交产生的提交对象没有父对象，普通提交操作产生的提交对象有一个父对象，而由多个分支合并产生的提交对象有多个父对象。2、分支创建创建一个 testing分支——git branch testing，两个指向相同提交
2020-08-02 10:23:12
139
原创 Python的NumPy库学习
1、dot() 函数dot()函数：获取两个元素a,b的乘积，可以通过numpy库调用，也可以由数组实例对象进行调用。a.dot(b) 与 np.dot(a,b)效果相同。# 一维数组，则得到的是两数组的內积print("1维")d = np.arange(0, 9)e = d[::-1]print(np.dot(d, e))print(d.dot(e))# 二维数组（矩阵）之间的运算，则得到的是矩阵积print("2维")a = np.arange(1, 5).reshape(2,
2020-07-24 20:59:15
269
转载 plt绘图与Axes绘图
使用matplotlib.pyplot(plt)进行绘图时，有两种方法：直接使用plt里的函数使用面向对象的方法，先产生一个Axes对象，再对此对象进行操作，实现绘图第二种方法可以实现更多操作，具有更好的定制性，基于此方法绘图时，需要理解以下概念：Figure：画布，Axes容器；Axes：坐标系，绘图的区域，绘图总是在坐标系上进行；Axis：坐标轴，x轴或y轴。使用plt绘图import numpy as npimport matplotlib.pyplot as pltplt
2020-07-24 15:54:55
1268
原创 Python中numpy数组切片
1、基本概念Python中符合切片并且常用的有：列表，字符串，元组。下面那列表来说明，其他的也是一样的。格式：[开头：结束：步长]开头：当步长>0时，不写默认0。当步长<0时，不写默认-1结束：当步长>0时，不写默认列表长度加一。当步长<0时，不写默认负的列表长度减一步长：默认1，>0 是从左往右走，<0是从右往左走遵循左闭右开原则，如：[0:9]等价于数学中的[0,9)# 字符串中用法str = 'python'print(str[::]) #
2020-07-23 16:10:01
11320
原创 线性回归与逻辑回归（一）——数学原理
1、线性回归1.1、线性回归的概念单变量：多变量：1.2、损失 / 代价 函数1.3、最小化损失函数1.4、梯度下降 梯度下降是求函数最小值的算法，通常使用梯度下降算法来求出代价函数 J(x1,x2)的最小值 梯度下降背后的思想是：开始时我们随机选择一个参数的组合（x1,x2,……，xn），计算代价函数，然后寻找下一个能让代价函数值下降最多的参数组合，知道找到一个局部最小值（并不能确定为是否是全局最小值，因为没有尝试完所有的参数组合）。 当下降速度逐渐趋于平缓时，可设置临界条件，
2020-07-22 17:47:25
204
原创 机器学习初步认识与数学理论知识
1、机器学习1.1、概念定义计算机从数据中学习出规律和模式，重新组织已有的知识结构使之不断改善自身，以应用在新数据上做预测任务。使计算机具备和人类一样的学习能力。对于某个给定的任务T，在合理的性能度量方案P的前提下，程序可以自主学习任务T的经验E，随着任务的不断进行，经验的积累会带来计算机性能的提升...
2020-07-20 20:26:30
269
转载 跳跃表
1. 跳跃表的原理学过数据结构的都知道，在单链表中查询一个元素的时间复杂度为O(n)，即使该单链表是有序的，我们也不能通过2分的方式缩减时间复杂度。如上图，我们要查询元素为55的结点，必须从头结点，循环遍历到最后一个节点，不算-INF(负无穷)一共查询8次。那么用什么办法能够用更少的次数访问55呢？最直观的，当然是新开辟一条捷径去访问55。如上图，我们要查询元素为55的结点，只需要在L2层查找4次即可。在这个结构中，查询结点为46的元素将耗费最多的查询次数5次。即先在L2查询46，查询4次后找到元
2020-07-20 18:22:30
175
转载 Nginx配置详解
序言Nginx是lgor Sysoev为俄罗斯访问量第二的rambler.ru站点设计开发的。从2004年发布至今，凭借开源的力量，已经接近成熟与完善。Nginx功能丰富，可作为HTTP服务器，也可作为反向代理服务器，邮件服务器。支持FastCGI、SSL、Virtual Host、URL Rewrite、Gzip等功能。并且支持很多第三方的模块扩展。Nginx的稳定性、功能集、示例配...
2018-08-17 12:46:43
6195
1
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