文章目录一、算法简介二、EM算法推导参考： 一、算法简介最大期望算法（Expectation-Maximization algorithm, EM），或Dempster-Laird-Rubin算法，是一类通过迭代进行极大似然估计（Maximum Likelihood Estimation, MLE）的优化算法，通常作为牛顿迭代法（Newton-Raphson method）的替代用于对包含隐变量
【摘要】 Modelarts技术及相关产业已成为未来AI与大数据重点发展行业模式之一，为了促进人工智能领域科学技术快速发展，modelarts现状及生态前景成为研究热点。笔者首先总结modelarts发展的现状，并阐述modelarts端边云协同部署对无感识别技术的支撑与迭代。其次，对Modelarts支撑的无感支付“生态”应用展望，期待能为人工智能领域发展提供帮助。1 modelar
转载
2024-07-08 20:32:48
61阅读
CNN中feature map、卷积核、卷积核个数、filter、channel的概念解释，以及CNN 学习过程中卷积核更新的理解feature map、卷积核、卷积核个数、filter、channel的概念解释feather map的理解在cnn的每个卷积层，数据都是以三维形式存在的。你可以把它看成许多个二维图片叠在一起(像豆腐皮一样)，其中每一个称为一个feature map。feather
转载
2024-06-26 09:18:20
46阅读
最近开始做行人检测，因此开始接触faster-rcnn，这里贴上配置教程(亲测可行)，不过是基于cpu的，蓝瘦。。。参考博客：http://www.tuicool.com/articles/nYJrYra(opencv配置)(faster-rcnn配置)环境：ubuntu16.04一、首先要配置好opencv这里我是在opencv官网上下载了opencv-3.0.0-rc1(版本最好3.0.0以上
转载
2024-08-22 11:44:05
45阅读
一，前言本人是机械专业在读硕士，在完成暑假实践的时候接触到了人脸识别，对这一实现很感兴趣，所以花了大概十天时间做出了自己的人脸识别。这篇文章应该是很详细的了所以帮你实现人脸识别应该没什么问题。先说本博文的最终要达到的效果：通过一系列操作，在摄像头的视频流中识别特定人的人脸，并且予以标记。本人通过网上资料的查询发现这类人脸识别，大多参考了一位日本程序员小哥的文章。链接：https://github.
转载
2024-05-20 06:45:42
152阅读
作者: 天雨粟前言最近把2014年Yoon Kim的《Convolutional Neural Networks for Sentence Classification》看了下，不得不说虽然Text-CNN思路比较简单，但确实能够在Sentence Classification上取得很好的效果。另外，之前@霍华德大神提了这个问题，链接如下：https://www.zhihu.com/qu
转载
2024-08-08 21:58:59
93阅读
一、opencv的示例模型文件opencv4.0.0中暂未提供cpp代码，使用python代码改编，参考https://github.com/opencv/opencv/blob/master/samples/dnn/mask_rcnn.py，我们使用的模型为 mask_rcnn_inception_v2_coco_2018_01_28.pb，选择InceptionV2是因为其速度更快，其他更好效
转载
2024-02-29 16:31:27
209阅读
本文主要介绍OpenCV的DNN模块的使用。OpenCV的DNN模块自从contrib仓库开始，就是只支持推理，不支持训练。但是仅仅只是推理方面，也够强大了。现在OpenCV已经支持TensorFlow、Pytorch/Torch、Caffe、DarkNet等模型的读取。本文们就以风格迁移为例，来看一下OpenCV DNN模块的用法。相比于复杂而耗时的模型训练过程，模型推理就显得简单多了。简单来
转载
2024-02-13 21:56:51
169阅读
OpenCV是学习计算机视觉的重要工具之一，然而多年以来，在深度学习的deBuff下，OpenCV给人一种与时代脱节，只有传统的视觉解决方案的一种错觉。实际上，OpenCV每次更新都会结合学术领域前沿的成熟算法。在OpenCV 4更新之后，更是将深度学习作为主要的更新内容。但是OpenCV还是给人一种传统的感觉。实际上，这是我们并没有真正了解OpenCV。在OpenCV中有一个名为opencv_c
很粗糙的跳读了一下learning opencv这本书，网上说是入门的，可看到后面根本没法看下去了，都是公式，就写一下一些笔记吧：（1）当你看到CvArr*时，你可以用IplImage*参数传入 （2）CvCapture结构包含从摄像机或视频文件中读取帧所需的信息，根据视频来源，使用下面两个函数之一来初始化CvCapture结构CvCapture * cvCreateFileCapture(con
转载
2024-03-17 00:30:10
15阅读
CNN实现手写数字识别导入模块和数据集import os
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers, optimizers, datasets
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
(x_train,y_train),(x
随着图像识别技术的发展，我们的现实生活中已经有可以对猫、狗进行分辨的机器了，即给机器一张猫的图片，机器可以正确的预测图片上的动物是猫。那么，机器是怎么做到的呢？在图像识别领域，应用的最多的就是深度学习，而深度学习又分为不同的模型，如前馈神经网络（feedforward neural network，DNN）、卷积神经网络（Convolutional Neural Networks，CNN）、循环神
转载
2024-03-26 11:04:03
47阅读
这里神经网络结构讲的比较细，可能有点难懂，但理解之后其他就迎刃而解了。 本文章后面还有结构的简化描述。1.简介：卷积神经网络是近年来广泛应用于模式识别、图像处理等领域的一种高效识别算法，它具有结构简单、训练参数少和适应性强等特点。它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。该优点在网络的输入是多维图像时表现的更为明显，使图像可以直接作为网络的输入，避免了
转载
2024-04-07 21:19:02
97阅读
目录序判断情绪效果CNN分类训练原理正文一、利用机器学习模型训练和检测笑脸二、 扩展 序判断情绪效果CNN分类训练原理 训练测试多角度-多层次训练
人脸数据集
提取特征点
提取特征点
CNN分类
预测
转载
2024-03-14 09:24:57
56阅读
（咳咳）代码之前清晨，美妙的冷空气一口口的，昨天下了场大雨，往日可以吃西瓜的温度瞬间就降下来了。晚上睡觉那怎一个凉凉了得。。早上起床是不可能的起床的，只能靠窝在被子里看点视频勉强维持下温度出来吧，我的b站！ b站好有趣哦，里面的人个个都是人才，说话又好听，视频又有趣，我超喜欢这里 看着看着一条弹幕全是‘哈哈哈哈哈’‘哈哈哈哈’‘哈哈哈’的视频进入了我的世界 视频链接直达：欧美版水浒人物这样的视频怎
转载
2024-09-05 13:17:06
11阅读
深度学习初学笔记1@TOC 几个注意事项： 1.关于CNN中的卷积，很多情况下考虑的是三维的卷积，所以卷积核常常是aab；这种情况下多通道的特征图，就能通过三维卷积有效融合； 2.CNN中，并不是网络层数越多效果越好，因为这涉及到参数训练的问题，第一，参数更多，优化难度加大，则会出现更大的训练误差，有可能退化网络；第二，梯度是否出现渐渐消失的情况；第三，是否会出现过拟合；Resnet怎么解决的：通
转载
2024-05-31 10:28:51
150阅读
1，卷积作用：减少参数（卷积核参数共享），卷积过程中不断对上一个输出进行抽象，由局部特征归纳为全局特征（不同卷积层可视化可以观察到这点）2，卷积核早期卷积核由人工总结，如图像处理中有：深度神经网络中，卷积核则由网络训练过程中学习获得。3， 神经网络中的卷积类型Group convolution：分组卷积。对通道channel进行分组后分别卷积。减少参数。比如输入和输出通道都为64，卷积核大小为3*
转载
2024-09-05 19:31:30
128阅读
“LSTM 能解决梯度消失/梯度爆炸”是对 LSTM 的经典误解。1、首先需要明确的是，RNN 中的梯度消失/梯度爆炸和普通的 MLP 或者深层 CNN 中梯度消失/梯度爆炸的含义不一样。MLP/CNN 中不同的层有不同的参数，各是各的梯度；而 RNN 中同样的权重在各个时间步共享，最终的梯度 g = 各个时间步的梯度 g_t 的和。2、由 1 中所述的原因，RNN 中总的梯度是不会消失的。即便梯
转载
2024-05-14 14:00:20
75阅读
一、封装制作 元件类型 –>库(元件)—>相当于sch封装 PCB封装 –>库(封装) 门封装 –>库(逻辑)—>只是个图形SCH封装： 1）在PADS logic中,Tools --> Part Editor -->进入元器件编辑器 2）工具栏–>Edit Graphics–>制作元件图形 Create 2D line --> 画图形
转载
2024-03-18 11:17:11
128阅读
基本概念SURF(SpeededUp Robust Features)—加速稳健特征算法, 在2006 年由Bay.H和Van Gool.L共同提出, SURF是尺度不变特征变换SIFT的加速版。一般来说, 标准的SURF算子比SIFT算子快好几倍, 并且在多幅图像下具有更好的稳定性。SURF最大的特征在于采用了harr特征以及积分图像的概念, 这大大加快了程序运行时间,可以应用于物体识别以及三维
