魏老师学生——Cecil：学习卷积神经网络CNN之旅 数据增强（Data augmentation）数据增强的方法样本不均衡训练和测试安排协调梯度下降（Gradient descent）—常用的CNN模型参数求解法批量梯度下降 BGD小批量梯度下降 MBGD随机梯度下降 SGD 数据增强（Data augmentation）增加训练数据可提升算法准确率。 理由：避免过拟合从而增大网络结构。对于有
转载
2024-03-29 12:12:35
102阅读
分类问题这里记一下keras的预处理、数据增强方法，想看pytorch的移步博主另一篇博客多分类问题使用keras自带的类ImageDataGenerator定义一个对象，这个对象在定义的时候可以指定对每张图像进行的操作#ImageDataGenerator的例子
#加载ImageDataGenerator类
from keras.preprocessing.image import Image
转载
2024-08-20 17:58:42
49阅读
Java 进阶 02 —— 是时候了解一下 Java 字节码了什么是字节码？javac 与 javap字节码的运行时结构从助记符到二进制四则运行的例子算数操作与类型转换一个完整的循环控制方法调用的指令 什么是字节码？我们平时所说的 Java 字节码，指的是用 Java 语言编译成的字节码。准确的说能在 JVM 平台上执行的字节码格式都是一样的。所以应该统称为 JVM 字节码。不同的编译器，可以编
转载
2023-08-14 21:29:32
35阅读
目录一. mixup1. mixup方法 2. mixup的讨论2.1 mixup效果如何2.2 为什么使用Beta分布2.3 参数有何影响，如何选择2.4 是否可以使用多个样本混合2.5 为什么要使用凸组合二. mixup的改进1.多种改进方法简介1.1 cutMix1.2 manifold mixup1.3 patchUp1.4 puzzleMix1.5 saliency Mix1.
转载
2024-03-23 09:27:15
1364阅读
在上一篇文章中，介绍了 卷积神经网络（CNN）的算法原理，CNN在图像识别中有着强大、广泛的应用，但有一些场景用CNN却无法得到有效地解决，例如：语音识别，要按顺序处理每一帧的声音信息，有些结果需要根据上下文进行识别；自然语言处理，要依次读取各个单词，识别某段文字的语义这些场景都有一个特点，就是都与时间序列有关，且输入的序列数据长度是不固定的。而经典的人工神经网络
在我们训练的深度学习模型在资源受限的嵌入式设备上落地时，精度不是我们唯一的考量因素，我们还需要考虑安装包的大小，如果你的模型文件打包进app一起让客户下载安装，那么动辄数百MB的模型会伤害用户的积极性；模型速度，或者说计算量的大小。现在手机设备上的图片和视频的分辨率越来越大，数据量越来越多；对于视频或者游戏，FPS也越来越高，这都要求我们的模型在计算时，速度越快越好，计算量越小越好；运行时内存占用
转载
2024-04-16 10:04:10
91阅读
前面时间因为一些事没更新，国庆节本猿终于有时间闲下来写点文章了。下面就是正文：经图像信息输入系统获取的原图像中通常都含有各种各样的噪声和畸变，大大影响了图像的质量。因此，在对图像进行分析之前，必须先对图像质量进行改善。通常，采用图像增强的方法对图像质量进行改善。图像增强不会考虑引起图像质量下降的原因，而是将图像中感兴趣的特征有选择地突出，并衰减不需要的特征。图像增强的目的是为了改善图像的视觉效果，
转载
2024-08-01 16:51:28
50阅读
摘要卷积神经网络（CNN）通常被认为通过学习对象形状的日益复杂的表示来识别对象。最近的一些研究表明图像纹理具有更重要的作用。我们在这里通过评估具有纹理-形状线索冲突的图像的CNN和人类观察者来将这些相互矛盾的假设置于定量测试中。我们表明，ImageNet训练的CNN强烈偏向于识别纹理而不是形状，这与人类行为证据形成鲜明对比，并揭示了根本不同的分类策略。然后，我们证明在ImageNet上学习基于纹理
1 非监督语音增强技术2 监督语音增强技术3 github上提供的源代码及分析3.1 Dual-signal Transformation LSTM Network简介https://github.com/breizhn/DTLN用于实时噪声抑制的堆叠双信号变换 LSTM 网络 (DTLN) 的 Tensorflow 2.x 实现。这个存储库提供了在 python 中训练、推断和服务 DTLN 模
转载
2024-08-27 09:36:00
147阅读
在TensorFlow中提供了一些图像增强的方法，比如放缩、裁剪、翻转、改变光照和对比度等。 下面分别对这几种方法进行介绍： 首先显示原图像，代码如下：import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
from matplotlib.pyplot import imshow
name = './0
0. 一重山 上次讲完了CNN的“启蒙导师”LeNet-5，不知道小猫咪会不会对本猫咪的笨笨教程有一点点的满意呢。我也想和猫咪好好的讨论呢。学完LeNet肯定是要进入CNN的。因为个人觉得CNN就是，延续了“卷积采样-降维”这个特点的同时，加入了一些新操作（当然也不复杂），这些新操作意外的达到了很好的效果。因为对图片的卷积实质上提取特征的同时降维，所以CNN在图像上的变种
转载
2024-09-14 13:02:32
18阅读
在ENVI 5.2中，新增了NNDiffuse融合方法，经过测试我们发现，当背景黑色较多时，融合效果较差。如下图情况，左图为原始多光谱，右图为NNDiffuse融合结果，可以看到颜色相差较大。注：测试数据传感器为Worldview-3。多光谱为2米分辨率，4个波段；全色0.5米分辨率。图：原始多光谱与融合结果对比现在提供两种提升融合效果的方法：方法1：使用掩膜文件注：此方法仅适用于ENVI 5.3
CNN是一种人工神经网络，CNN的结构可以分为3层：卷积层(Convolutional Layer) - 主要作用是提取特征。 池化层(Max Pooling Layer) - 主要作用是下采样(downsampling)，却不会损坏识别结果。 全连接层(Fully Connected Layer) - 主要作用是分类。 1.CNN解决的问题CNN卷积神经网络是一种专门用来处理具有类似网格结构的数
转载
2024-04-07 20:54:26
74阅读
开始之前，需要思考一些基本问题 1、为什么需要大量数据 当您训练机器学习模型时，您真正在做的是调整其参数，以便它可以将特定输入（例如，图像）映射到某个输出（标签）。我们的优化目标是追逐我们模型损失较低的最佳位置，这种情况发生在您的参数以正确的方式调整时。 现在的神经网络通常具有数百万的参数，因此，你
转载
2019-04-15 16:55:00
325阅读
2评论
图像增强-其他方法汇总这里汇总一下几个图像增强方法：直方图规定化、同态滤波器、彩色图像增强方法，测试结果图就懒得放了…直方图规定化针对直方图均衡化的存在的一些问题，将原始图像的直方图转化为规定的直方图的形式。一般目标图像的直方图的确定需要参考原始图像的直方图，并利用多高斯函数得到。import os
import cv2
import numpy as np
import matplotlib.p
AI Studio，1. 引入前面介绍了模型量化的基本原理也介绍了如何使用 PaddleSlim 对 Paddle 模型进行模型动态量化和静态量化这次就继续介绍如下量化使用 ONNXRuntime 对 ONNX 模型进行动态量化和静态量化2. 参考资料官网：onnxruntime.ai官方量化指南：Quantize ONNX Models Contents3. 量化介绍3.1 量化概述ONNXRu
文章目录对FCN网络的理解1.对FCN的简要介绍2.FCN与CNN的比较3.FCN的原理4.FCN模型的实现过程5.FCN的简要总结FCN论文地址及源码地址 对FCN网络的理解1.对FCN的简要介绍自从卷积神经网络（CNN）被提出后，在图像检测，图像分类的方面取得了很大的突破，并被广泛应用。CNN的优点在于它可以自动学习到多层次的特征。CNN层层递进，从较浅的卷积层到较深的卷积层，卷积层的感知域
转载
2024-03-21 14:58:31
84阅读
目录一、 文章摘要概述二、多曝光数据采集三、网络构建（1）、网络概览（2）、组件增强网络1、Luminance Enhancement Network2、Detail Enhancement Network（3）整体增强网络四、效果展示文章代码： 一、 文章摘要概述文章题目是：《Learning a Deep Single Image Contrast Enhancer from Multi-E
转载
2024-04-28 09:05:27
68阅读
YOLOv8数据增强方式详解：包括数据增强的作用，数据增强方式与方法
原创
2024-06-21 12:02:01
2186阅读
1、各层作用 输入层 输入层是整个神经网络的输入，一般代表的是图片的像素矩阵(一般为三维矩阵，即像素x像素x通道)卷积层 每一层卷积都会提取数据特征,再经过组合和抽象形成更高阶的特征。池化层 保留最显著的特征，提升模型的畸变容忍能力（平移不变性）。池化层可以非常有效地缩小图片的尺寸。从而减少最后全连接层的参数，在加快计算速度的同时也防止了过拟合的产生，提高了
转载
2023-10-08 08:27:04
88阅读
