此部分
原创
2022-11-08 14:42:41
128阅读
Python基础知识（六）1. 循环结构1.1 while 循环1.2 for 循环和可迭代对象遍历1.3 可迭代对象1.4 range 对象1.5 嵌套循环2. 循环语句2.1 break语句2.2 continue 语句2.3 else语句3. 循环代码优化4. 使用 zip()并行迭代5. 推导式创建序列5.1 列表推导式5.2 字典推导式5.3 集合推导式5.4 生成器推导式（生成元组）
转载
2023-09-18 18:58:04
39阅读
def语句，依次写出函数名、括号、括号中的参数和冒号:，然后，在缩进块中编写函数体，函数的返回值用return语句返回。my_abs函数为例：def my_abs(x):
if x >= 0:
return x
else:
return -xmy_abs看看返回结果是否正确。return时，函数就执行完毕，并将结果返回。因此，函数内部通过条件判
转载
2023-12-25 14:31:14
134阅读
特征检测步骤： 1.尺度空间的极值检测 2.特征点定位 3.特征方向赋值 4.特征点描述 尺度空间： 在图像信息处理模
转载
2017-07-30 17:37:00
200阅读
SIFT(Scale Invariant Feature Transform) 由 David Lowe 于 2004 年提出。SIFT 算法在不同尺度下检测最强特征点，并给出特征点描述。由于特征点描述基于主方向与尺度信息，故可以使用描述信息对不同尺度，不同方向特征点进行比对。主要步骤如下： 1）使
原创
2022-01-13 16:12:34
223阅读
先来了解一下条件操作符：运算符描述示例==检查两个操作数的值是否相等，如果是则条件变为真。如a=3,b=3则（a == b) 为 true.!=检查两个操作数的值是否相等，如果值不相等，则条件变为真。如a=1,b=3则(a != b) 为 true.<>检查两个操作数的值是否相等，如果值不相等，则条件变为真。如a=1,b=3则(a <> b) 为 true。这个类似于 !=
转载
2024-04-08 11:58:22
40阅读
一个好的特征描述子，要有好的区分性、尺度和旋转不变性以及鲁棒性（光照等）。SIFT可能说是最经典的 特征描述方法了，其主要分成下面四步： （1）尺度空间选择：在尺度空间中选择潜在的满足尺度不变和旋转不变的关键点； 关于尺度空间，先对图像做高斯金字塔（包括高斯模糊和降维），再做拉普拉斯金字塔（需要做内
原创
2022-01-18 09:27:30
108阅读
# 深入理解PyTorch中的Dense层
在深度学习中，**Dense层**又称为全连接层，是神经网络中最常用的一种层。这个层的特点是每一个输入都会与每一个输出相连，形成稠密的连接。本文将介绍PyTorch中如何使用Dense层，并给出代码示例。
## 什么是Dense层？
Dense层的主要功能是对输入进行线性变换。这意味着输入数据将通过权重矩阵进行矩阵乘法，生成输出，同时加上偏置。其数
DenseNet vs ResNet 与ResNet的主要区别在于，DenseNet里模块B的输出不是像ResNet那样和模块A的输出相加，而是在通道维上连结。这样模块A的输出可以直接传入模块B后面的层。在这个设计里，模块A直接跟模块B后面的所有层连接在了一起。这也是它被称为“稠密连接”的原因。DenseNet的主要构建模块是稠密块（dense block）和过渡层（transition laye
转载
2023-10-24 23:05:33
483阅读
Dense就是常用的全连接层，所实现的运算是output = activation(dot(input, kernel)+bias)。其中activation是逐元素计算的激
原创
2023-10-31 09:49:36
234阅读
因为Dense(…)返回一个可调用的(基本上是一个函数),所以可以依次调用它.这是一个简单的例子：def make_adder(a):
def the_adder(b):
return a + b
return the_adder
add_three = make_adder(3)
add_three(5)
# => 8
make_adder(3)(5)
# => 8这里,make_a
转载
2023-06-20 20:20:54
782阅读
SIFT python实现以及公式总结算法简介以下来自百度： SIFT由David Lowe在1999年提出，在2004年加以完善 [1-2] 。SIFT在数字图像的特征描述方面当之无愧可称之为最红最火的一种，许多人对SIFT进行了改进，诞生了SIFT的一系列变种。SIFT已经申请了专利。 SIFT特征是基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关。对于光线、噪声、微视角改变的
转载
2023-12-28 23:29:19
100阅读
SIFT算法 目录SIFT算法特点实质算法步骤关于RANSAC算法概述算法步骤优点与缺点实验1、准备数据集2、对每张图片进行SIFT特征提取，并展示特征点2.1、代码2.2、实验结果2.3、实验小结3、给定任意两张图片，计算SIFT匹配结果3.1、代码3.2、实验结果第一组第二组第三组第四组3.3 实验小结4、给定一张输入图片，在数据集内部搜索匹配最多的三张图片4.1 代码4.2、实验步骤与结果4
转载
2023-09-27 01:09:45
228阅读
SIFT原理详解尺度空间的表示高斯金字塔的构建高斯差分金字塔空间极值点检测尺度变化的连续性特征点特征点的精确剔除不稳定的边缘响应点特征点方向赋值生成特征描述SIFT的缺点OpenCV 函数参考文章 上一篇文章介绍的特征检测器已经可以较好地解决方向不变性问题，即图像旋转后仍能检测到相同的特征点。这篇文章介绍 SIFT 特征检测器，下一篇文章介绍对 SIFT 的改进 SURF 特征检测器，可
转载
2024-06-28 13:29:36
107阅读
keras： tensorflow： dense1 = tf.layers.dense(inputs=pool3, units=1024, activation=tf.nn.relu，kernel_regularizer=tf.contrib.layers.l2_regularizer(0.003)) 附文k
转载
2024-04-24 14:06:58
383阅读
我读啥了自己看标题（今天头疼的厉害，呜呜呜/(ㄒoㄒ)/~~）1 介绍之前研究标定SLAM精度的关键是信息点的选择（典型地，角点或边缘点）和相机Pose与地标位置的联合优化。与将地图构建和相机姿态估计分离的密集方法相比，稀疏 SLAM 产生更准确的结果。在实际应用中，稀疏 SLAM 通常与其他传感器融合以提高鲁棒性。然而，稀疏特征图没有视觉信息，不能直接用于无碰撞运动规划或表面感知 AR 等任务。
转载
2024-03-24 11:41:24
40阅读
在不同影像上進行特徵匹配時，常會遇到尺度變化的問題，也就是要分析的物體，可能在不同張影像的大小是不同的，當我們實際上要進行匹配時，由於尺度的差異，同個物體的特徵並不會匹配。為了解決這個問題，有些算法用來尋找尺度不變的特徵，主要是基於每個檢測到的特徵點都伴隨著對應的尺寸，這邊介紹一種尺度不變的特徵，SIFT(Scale-Invariant Feature Transform)特徵，和另一個著名的
转载
2023-01-05 12:38:50
68阅读
下面只是关于sift的核心概念的简单介绍，详细介绍可以参看这两篇博客一、 图像金字塔
图像金字塔是一种以多分辨率来解释图像的结构，通过对原始图像进行多尺度像素采样的方式，生成N个不同分辨率的图像。把具有最高级别分辨率的图像放在底部，以金字塔形状排列，往上是一系列像素（尺寸）逐渐降低的图像，一直到金字塔的顶部只包含一个像素点的图像，这就构成了传统意义上的图像金字塔。 获得图
转载
2022-06-27 21:32:29
286阅读
# 实现 PyTorch SIFT
## 摘要
本文将介绍如何使用 PyTorch 实现 SIFT（尺度不变特征变换）算法。SIFT 是一种广泛使用的计算机视觉算法，用于在图像中检测和描述关键点。我们将按照以下步骤进行操作：
1. 环境准备
2. 加载图像
3. 图像预处理
4. 计算尺度空间
5. 关键点检测
6. 关键点描述
7. 特征匹配
## 整体流程
以下是实现 PyTorch
原创
2023-12-11 05:06:36
270阅读
1、边缘保留滤波（EPF）def bi_demo(image):# bilateralFilter(src, d, sigmaColor, sigmaSpace, dst=None, borderType=None)
"""
sigmaColor大一点，sigmaSpace小一点
同时考虑空间与信息和灰度相似性，达到保边去噪的目的
双边滤波的核函数是空间域核与像素范
