TensorFlow入门TensorFlow三个基础核心概念：计算图、Tensor、Session一、计算图：在TensorFlow中，计算图是一个有向图，用来描述计算节点以及计算节点之间的关系，所以在TensorFlow中我们存储一个值或者数组的时候，存的其实是这个值或者数组的计算图而不是其本身的数字。我们可以用写一个简单的例子来验证一下：GPU版本import tensorflow as tf
Tensorflow在处理数据时，经常加载图像数据，有的时候是直接读取文件，有的则是读取二进制文件，为了更好的理解Tensorflow数据处理模式，先简单讲解显示图片机制，就能更好掌握是否读取正确了。一、结合opencv读取显示图片1、变量使用tf.Variable初始化为tensor，加载到tensorflow对图片进行显
转载
2024-07-04 17:59:41
133阅读
# #作者：韦访 1、概述换了个固态硬盘，本想装最新的系统mint 19，谁知道却是个坑，NVIDIA驱动和CUDA工具老是装不上去，各种问题，折腾了几天，还是用回了原来的系统。不过，这次软件改了一下，使用了python3.5+tensorflow1.9+CUDA9.0 。这一讲，来学学非常热门的人脸识别。首先介绍MTCNN原理，然后介绍如何利用深度卷积网络提取人脸特征，以及如何利用提取的特征进行
转载
2024-08-07 08:59:26
50阅读
我们知道，再网络训练好之后，只需要forward过程就能做预测，当然，我们也可以直接把这个网络当成一个feature extractor来用，可以直接用任何一层的输出作为特征，根据R-CNN论文对Alexnet的实验结果，如果不做fine-tuning，pool5和fc6和fc7的特征效果并没有很强的提升，所以，如果直接用作feature extractor，直接用pool的最后一层输出就OK.这
转载
2024-05-11 11:34:10
45阅读
数据输入与特征工程?=??(?)之(?,?)y=fw(x)之(x,y):是模型的输入数据，对应了机器学习算法工程中的特征工程和模型构建中的模型输入。 w也需要初始化。无论输入如何变化，最终都要转成tensor才能被tensorflow计算。 tensorflow 在实现?=??(?)y=fw(x)时， 把x,y抽象成tensor;f_w抽象成Model/estimator;tensor之间的复杂操
转载
2024-07-31 18:14:41
97阅读
一、FPN 的作用当我们在使用卷积神经网络的提取图像特征的时候，最后一个 feature map 的长宽会比原始图片小很多，比如原始图片大小为 100x100，feature map 大小为 10x10，这就说明，其实我们是在用 feature map 中的一个特征点来表示原始图片中一个 10x10 的像素区域。然而，在目标检测中，我们可能要对原始图片中的一个 1x1 的像素点中包含的物体进行检测
转载
2024-04-11 10:45:46
139阅读
采样介绍假如我们有一个多分类任务或者多标签分类任务，给定训练集(xi,Ti)，其中xi表示上下文，Ti表示目标类别(可能有多个).可以用word2vec中的negtive sampling方法来举例，使用cbow方法，也就是使用上下文xi来预测中心词(单个targetTi)，或者使用skip-gram方法，也就是使用中心词xi来预测上下文(多个target(Ti)).我们想学习到一个通用函数F(x
转载
2024-05-11 21:54:07
26阅读
tensorflow实现卷积层神经网络在卷积层神经网络中，第一个卷积层会直接接收到像素级的输入，每个卷机操作只处理一小块图像，进行卷机变化后再传入到后面的网络，每一层卷机（也可以说是滤波器）都会提取到最有效的特征。这种方法可以提取到图像中最基础的特征，比如不同方向的边或者拐角，而后再进行组合和抽象形成更高阶的特征。图像中的特征无非就是点和边，无论多么复杂的图像都是点和边组合而成的，人眼识别物体的方
图像编码处理一张RGB三通道的彩色图像可以看成一个三维矩阵，矩阵中的不位置上的数字代表图像的像素值。然后图像在存储时并不是直接记录这些矩阵中的数字，而是经过了压缩编码。所以将一张图像还原成一个三维矩阵的过程就是解码的过程，反之就是编码了。tensorflow提供了对jpeg、png等常见图像格式的编码/解码函数，以下代码示范tensorflow对jpeg格式图像的编码/解码函数。import te
MFCC 参数考虑了人耳的听觉特性，将频谱转化为基于梅尔频标的非线性频谱，然后转换到倒谱域上。由于充分考虑了人的听觉特性，而且没有任何前提假设，MFCC 参数具有良好的识别性能和抗噪能力。 由于人类对于声音高低的的感知强度与该声音的频率的对数近似成正比，梅尔频率正是体现出了这种声音频率与人类感知声音高低
转载
2024-10-24 06:54:54
106阅读
dlib+opencv+python库人脸识别一、基于dlib库人脸特征提取（一）采集人脸1.代码实现2.采集结果（二）采集20张图片对应的68个特征点数组和平均特征值1.代码实现2.采集结果二、人脸识别（一）实现代码（二）识别结果三、总结四、参考资料 一、基于dlib库人脸特征提取基于dlib库对人脸特征进行提取，在视频流中抓取人脸特征、并保存为64x64大小的图片文件。 注意的是：因为我们后面
转载
2024-06-19 06:07:12
58阅读
Tensorflow数据读取有三种方式：Preloaded data: 预加载数据Feeding: Python产生数据，再把数据喂给后端。Reading from file: 从文件中直接读取这三种有读取方式有什么区别呢？ 我们首先要知道TensorFlow(TF)是怎么样工作的。TF的核心是用C++写的，这样的好处是运行快，缺点是调用不灵活。而Python恰好相反，所以结合两种语言的优势。涉及
计算机视觉是一门研究如何使机器“看”的科学，让计算机学会处理和理解图像。这门学问有时需要借助机器学习。本文介绍一些机器学习在计算机视觉领域应用的基础技术。通过像素值提取特征数字图像通常是一张光栅图或像素图，将颜色映射到网格坐标里。一张图片可以看成是一个每个元素都是颜色值的矩阵。表示图像基本特征就是将矩阵每行连起来变成一个行向量。光学文字识别（Optical character recognit...
原创
2022-03-01 17:33:15
1321阅读
计算机视觉是一门研究如何使机器“看”的科学，让计算机学会处理和理解图像。这门学问有时需要借助机器学习。本文介绍一些机器学习在计算机视觉领域应用的基础技术。通过像素值提取特征数字图像通常是一张光栅图或像素图，将颜色映射到网格坐标里。一张图片可以看成是一个每个元素都是颜色值的矩阵。表示图像基本特征就是将矩阵每行连起来变成一个行向量。光学文字识别（Optical character recognit..
转载
2021-06-17 18:06:30
1986阅读
CNN的感受野计算过程，以AlexNet为例感受野概念感受野计算公式—从第一层开始计算AlexNet感受野计算过程 主要参考博客1主要参考博客2公式来源链接感受野概念在卷积神经网络中，感受野（Receptive Field）的定义是卷积神经网络每一层输出的特征图（feature map）上每个像素点在原始图像上映射的区域大小，这里的原始图像是指网络的输入图像，是经过预处理（如resize，war
1.1图像特征的分类
特征是用来区分图像的最基本的属性，图像特征可以从下面几个方面进行分类。
1、获取方式：人工特征和自然特征。
1.1.1点、线、面特征1、点特征是最常用和重要的特征，大部分局部特征都是在点特征的基础上提出的。点特征包括物体边缘点、角点、线交叉点等，其中角点是最具代表性的。角点常用的提取方法如下：1）基于曲率提取法2）基于灰度提取法3）基于边缘
转载
2023-12-21 17:30:46
147阅读
1、角点的定义如果一个点在任意方向的微小变动都会导致灰度很大的变化，那么这个点就被称为角点。也就是一阶导数中的局部最大值就是角点。2、Harris角点检测harris角点具有平移不变性和旋转不变性，但不具有尺度变换不变性。步骤：RGB2GRAYsobel算子计算Ix Iy构建M矩阵 计算det(M) - trace(M)^2 阈值取0.04 ~ 0.06，大于一定
转载
2023-09-06 20:07:20
74阅读
修改prototxt实现caffe在[1]讲到如何看一个图片的特征和分类结果，但是如何批量抽取特征呢？可以使用c++的版本点击打开链接，这里我们谈下如何用Python批量抽取特征。
首先，我们要注意caffe filter_visualization.ipynb的程序中deploy.prototxt中网络每一轮的图片batch是10， 这个数刚好和oversample=true的crop数量是一
转载
2024-02-27 12:38:34
82阅读
数字图像处理与Python实现笔记摘要绪论1 数字图像处理基础知识2 彩色图像处理初步3 空间滤波4 频域滤波5 图像特征提取5.1 图像颜色特征提取5.1.1 颜色直方图1 一般颜色直方图2 全局累加直方图3 主色调直方图5.1.2 颜色矩5.1.3 颜色集5.1.4 颜色聚合向量5.1.5 颜色相关图5.2 图像纹理特征提取5.2.1 统计纹理分析方法5.2.2 Laws纹理能量测量法5.2
转载
2024-02-26 13:48:50
177阅读
1.前言在深度学习出来之前，图像识别领域北有“Gabor帮主”，南有“SIFT慕容小哥”。目前，深度学习技术可以利用CNN网络和大数据样本搞事情，从而取替“Gabor帮主”和“SIFT慕容小哥”的江湖地位。但，在没有大数据和算力支撑的“乡村小镇”地带，或是对付“刁民小辈”，“Gabor帮主”可以大显身手，具有不可撼动的地位。IT武林中，有基于C++和OpenCV，或是基于matlab的Gabor图
转载
2024-08-01 07:36:22
24阅读
