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
写的还算不错。最近在倒腾Matconvnet工具包，正好看见新版Matlab的神经网络工具了，一并学习了，两者很相似。这里是matlab2017a，昨天去学校网上看，貌似matlab2018也出来了哈哈，真是日新月异。关于Matlab，CUDA，VS编译器，以及GPU配置可以查看我的上一篇博文。1.前言最近需要用到卷积神经网络(CNN)，在还没完全掌握cuda+caffe+TensorFlow+p
转载
2024-02-16 10:06:53
16阅读
Keras 模型构建概览Keras 模型构建主要包括5个步骤：。1.1 定义模型model = Sequential()
model.add(Dense(2))定义模型是 Keras 构建神经网络的第一步，这里由Sequential类生成了一个实例，然后添加了一个Dense类型的层（layer），参数2表示该层神经元的数量。一般层的添加顺序即是各层连接的顺序，也是数据流经模型被处理的顺序。模型添加
转载
2024-09-18 20:42:18
38阅读
经典反向传播算法公式详细推导 卷积神经网络(CNN)反向传播算法公式详细推导网上有很多关于CNN的教程讲解，在这里我们抛开长篇大论，只针对代码来谈。本文用的是matlab编写的deeplearning toolbox，包括NN、CNN、DBN、SAE、CAE。在这里我们感谢作者编写了这样一个简单易懂，适用于新手学习的代码。由于本文直接针对代码，这就要求读者有一定的CNN基础，可以参考L
转载
2024-09-24 19:15:53
198阅读
我们使用华为云 ModelArts 轻松完成了滑动验证码缺口的识别。但是那种实现方案依赖于现有服务，是华为云提供的深度学习平台所搭建的识别模型，其实其内部是用的深度学习的某种目标检测算法实现的，如果利用平台的话，我们无需去申请 GPU、无需去了解其内部的基本原理究竟是怎么回事，它提供了一系列标注、训练、部署的流程。但用上述方法是有一定的弊端的，比如使用会一直收费，另外不好调优、不好更好地定制自己的
转载
2024-08-21 09:24:43
51阅读
CNN 是 network架构， 名 为 卷积神经网络。 它 专门用于 影像方面。通过CNN 让大家明白： 1、network架构设计有什么想法？ 2、为什么设计network架构，可以让我们的network结果做的更好首先，我们以影像分类的例子（即我
转载
2024-03-19 13:52:22
51阅读
这节课开始讲深度学习中重要的网络： 卷积神经网络(Convolutional Neural Network)CNN。 理解卷积操作在神经网络中的作用，理解CNN在做什么，以及CNN的可视化。 首先回顾一下及深度学习(CNN)中的卷积为什么要用CNN？局部检测 卷积核有大小之分，对应感受视野，而一个卷积核一般远远小于整张图片，所以卷积后的到视野也是比较小的。而检测一个物体的特征，比如鸟有鸟
最近在看DQN的时候发现resnet模型又有点不太理解，于是把从CNN到Resnet的资料看了一遍，以防忘记，整个备忘录。 卷积神经网络(CNN)，是深度学习中常见的一种网络结构，相比于传统的神经网络大量的神经节点带来的内存消耗过大和参数爆炸，CNN的出现很好解决了这一问题。一.CNN基本概念 &nbs
转载
2024-03-29 10:24:46
99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
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
目录一、引言 二、卷积神经网络（CNN）三、生成对抗神经网络（GAN）一、引言 二、卷积神经网络（CNN） 一共有七层，分别为：C1：第一次卷积；S2：第一次池化；C3：第二次卷积；S4：第二次池化；C5：第一次全连接层；F6：第二次全连接层；OUTPUT:输出层。局部连接（权值共享）：每个隐层神经元的权值是相同的，如下图： 全连接层：每个输入神经元都与每个
Keras 构建CNN一.构建CNN准备Keras构建CNN准备不像Tensorflow那么繁琐，只需要导入对应的包就行。from keras.models import Sequential导入顺序模型，这是Keras最简单的模型Sequential 顺序模型，它由多个网络层线性堆叠。from keras.layers import Dense,Activation,Convolution2D,
转载
2023-12-01 08:43:40
182阅读
神经网络（CNN）神经网络主要有三个部分组成, 分别为:网络结构 —— 描述神经元的层次与连接神经元的结构.激活函数(激励函数) —— 用于加入非线性的因素, 解决线性模型所不能解决的问题.参数学习方法的选择(一般为权重值W和偏置项b)一、CNN领域划分图像处理领域
图像识别图像标注图像主题生成图像内容生成…视频处理领域
视频分类视频标准视频预测…自然语言处理（NLP）领域
对话
转载
2024-05-04 18:17:35
102阅读
个人觉得应该先写卷积操作的常见技术和公式操作，才能对卷积输入维度（结果），输出维度（结果）有更直观的了解吧。简单介绍一下卷积的常用trick：PaddingStriding下方是输入输出公式（本人开始也很困惑，找到对应公式后，就十分明朗了）：n:原始输入的维度 | f:卷积核的大小 | p：padding的大小| s:stride的大小no padding: n - f + 1padding: n
转载
2023-10-24 00:10:22
87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
文章目录前言一、CNN是什么？1.个人自评与观点2.CNN拆分3.CNN各层具体深入讲解4.CNN的整体结构二、撸代码实战1.利用TensorFlow，加载MNIST数据集2.构造各个方法函数3.调用各个方法函数4.训练结果与预测总结 前言随着深度学习的不断火爆，计算机视觉领域与自然语言处理出现了更多的创新需求，本文基于手写数字识别数据集MNIST，从零开始搭建卷积神经网络，一步一步在网络上搭建
转载
2024-05-29 12:31:01
69阅读
前言 在学计算机视觉的这段时间里整理了不少的笔记，想着就把这些笔记再重新整理出来，然后写成Blog和大家一起分享。目前的计划如下（以下网络全部使用Pytorch搭建）：专题一：计算机视觉基础介绍CNN网络(计算机视觉的基础)浅谈VGG网络，介绍ResNet网络（网络特点是越来越深）介绍GoogLeNet网络（网络特点是越来越宽）介绍DenseNet网络（一个看似十分NB但是却实际上用得不多的网络
转载
2024-05-22 08:55:09
76阅读
