1455-李同学-算法方向-计算机视觉-就业:否 已关闭

1455-李同学-算法方向-计算机视觉-就业:否 扫二维码继续学习 二维码时效为半小时

(0评价)
价格: 免费

向量组的秩

所有等价线性无关组含有的向量个数相等

 

[展开全文]
2243_N_Z. · 2021-11-24 · 自由式学习 0

 

建立一个基类:

[展开全文]

强化学习和生成式对抗网络

强化学习:机器学习分支;自行解决决策问题,并且能够强化连续决策;

组成部分:

1、代理;

2、环境;

3、行动;

4、奖励;

学习任务:

1、篇幅型;

有间断

2、永久型;

没有间断

学习方式:

value baed

写出一个value function,这个value function可以告诉我们每一步的未来rewards会有多大;

policy based

在这里我们希望最优化一个policy function而不是一个value funtion;

有两种policy可以选择:

Deterministic:相同state下,永远给出相同的action。简单来讲就是每次在同样的情况下作出一样的选择;

Stochastic:给出一个所有action的可能性的distribution,意思是选择具有随机性,在某些对抗性游戏中,随机决策是必须的;

 

GAN

生成模型;判别模型;

分类:

1、根据当前数据得到一个数据分布:数据回归;

2、根据当前的数据生成一个新的图片;

用途:

1、补缺数据;

2、数据是否符合生成的规律;

3、

最大似然机构:

生成对抗模型:

要求:必须是可导的:

DCGAN:反卷积,

由低维到达高维的;

 

风格转移:

循环机构,

[展开全文]

使用空洞卷积代替空间金字塔

[展开全文]

 

一、计算机视觉四种基本任务:

1、图像分类;

2、图像定位;

3、物体检测;

4、物体分割;

 

背后的机器学习任务:数据分类、数据回归;

实际上大部分任务都是两个:

数据分类:数据离散;

数据回归:数据是连续的;

 

二、经典方法:

Deformable parts model:

什么是NMS:一种post-processing方式;应用在所有目标检测里,用来删除多余的检测结果;

做法:把所有的检测结果按照分值从高到低排序,保留最高分数的box,那么保留和他距离上最近的box;

hard mining:在一个1mini-batch里,能让classifier混淆的sample,标记为hard example,用到下一轮的训练中;

深度学习的快速回顾:

n一般为2、4,一般2就已经非常大了;

λ为正则化参数,防止过拟合;

 

深度学习三要素:

1、首先关注模型:用什么结构;

2、在什么数据集上做?实验效果如何;

3、算法:

     a、训练过程:loss,sampling,梯度;

     b、测试过程:muitl-scale,NMS;

 

 

3、系列工作

RCNN\Fast-RCNN\Faster-RCNN详细介绍;

目标分类的主要步骤:

1、先产生一些可能含有物体的目标框;

2、在给定的目标框里进行分类;

 

如何产目标框:

自下而上的一种生成方法:基于SLIC

算法,仙剑个图像分割成很多小的区域,根据小区域之间的相似程度进行融合,最后结合各个尺度上的结果,产生很多region proposals;

 

也可以通过深度学习来生成目标框;(主要用于faster ——RCNN中的目标框);

Rcnn家族

1、产生一个框:

 

 

 

 

 

 

 

 

[展开全文]

 

感受野

某一层的计算节点对应原图的计算范围

 

SIFT特征点的结构

1、特征点的坐标位置;

2、特征点的描述;

 

步骤:

1、特征提取;

2、取特征点的聚类中心;

对于特征点较多,那么就可以将特征点取中心点,然后后对每个聚类中心点进行·对比;

LSH:

 

随机投影

 

[展开全文]

深度学习——卷积神经网络

 

卷积原始输入:图像

卷积模板:卷积核;

检验相似性和相关性;

神经网络的组成:

1、输入层;

2、卷积层;

特征提取,要计算出各个层之间的参数个数以及层与层之间的输入输出;

3、非线性变换层;

4、池化层;

最大池化层、平均池化层

5、输出层;

INPUT-->[[(CONV+RELU)*n--->POOL]*M--->[FC--->RELU]*K--->FC

 

避免过拟合:迁移学习

迁移学习:将其他网络的前几层网络,只训练后面的基层网络;

学习过程中学习率要比较小;

什么时候用:

1、当两个任务较为相近时;

2、当前的训练数据较少的时候;

 

数据集:交叉训练;

 

 

 

[展开全文]

调参的主要参考

损失值;

准确率

调参对象:

学习率;

batchsize:调到GPU刚刚够用;

[展开全文]

计算机视觉——实践加强

 

聚类算法:

相似度和距离负相关:

K-means:

1、选出一个k,作为k'个聚类中心(随机选出聚类中心),为了能够准确选择,那么可能胡i多次选择取得结果最优的;

2、把么一个数据分配成最近的中心

;    距离计算:欧氏距离;计算角度

3、寻找数据的新的质心;

4、重复2——3部;

达到收敛标准:

到达循环次数;

标签不再改变;

聚类中心不断发生改变;

 

k值的确定:

人工指定

 

高斯权重:

高斯滤波,
均值滤波器:

中值滤波

均值滤波

总结:通过考虑到周围邻居的位置进行滤波操作;

用途:去噪、增加对比度、寻找特征点

项目:模板匹配;

Template matching

图片拼接:

1、寻找角点;使用Harris角点;

Harris有一个尺度不变性、旋转不变性、

2、两个图片必须使用共同的特征寻找,计算两个向量;

3、建立SIFT描述;

4、匹配SIFT角点;

5、将图片进行转换;

博文:图像局部特征点检测算法

作业:读入手写字符

tu'xiang'pin'j

[展开全文]

为什么要进行数据类型转换

数据格式转换代码与我们模型使用数据之间进行耦合;

TFRecoreds文件:讲图像数据各种标签放在一起的二进制文件;

在tensorflow中可以快速复制、移动、读取、存储的特点;

 

[展开全文]

目标数据集的标记

 

学习目标

了解数据集标记的需求;

知道labelimg的标记使用;

 

 

商品数据集标记

要标记那些物体类别;

只是知道怎么去标记,知道这个过程;

确定物体;

[展开全文]

数据集处理

常用的数据集:

PASCAL

    VOC2012

    VOC2007

open images dateset V4;

一般使用PASCAL

 

[展开全文]

类方法:从属于“类对象”的方法,格式如下:

          @classmethod

           def  类对象(cls,[,形参列表]):

                 函数体

要点如下:

(1)@classmathod必须位于方法上面一行

(2)第一个cls必须有;cls指的就是“类对象”本身;

(3)调用类方法格式:“类名.类方法名(参数列表)”,不需要给cls传值。

 

[展开全文]

实例方法(从属于实例对象)

def 方法名(self,[形参列表]):

       函数体

[展开全文]

实例属性:从属于实例对象,也成为实例变量。

(1)实例属性一般在__init__()方法中通过如下代码定义:

          self.实例属性名=初始值

(2)在本类的其他实例方法中,也是通过self进行访问:

          self.实例属性名

(3)创建实例对象后,通过实例对象进行访问:

         obj01=类名()         #创建对象,调用__init__()初始化属性

          obj01.实例属性名=值    #可以给已有属性赋值,也可以新加属性

 

[展开全文]

构造函数__init__():初始化实例对象的实例属性。

Python对象包含三个部分=id、type、value

只要是类中的方法参数第一个都是self,通过类名()来调用构造函数

[展开全文]

面向对象

Python支持面向过程、面向对象、函数式编程等多种编程范式。

 

[展开全文]