一直在网上看到的都是关于深度学习是黑匣子，不需要理解它里面做了什么，只要给它一个输入，它就给你一个输出或者多个输出。中间的模型具体做了什么谁也说不清，也不需要说清楚。这里我们就拿图像分类举例：那么每个卷积层在做什么呢，在收集信息。每一个网络层都是在提取图像的特征1，边缘检测，检测到很多个边缘，2。多个边缘特征组合后得到角度特征和外形特征3.多个外形特征组合后得到物体部分特征，部分特征在
转载
2024-07-11 04:26:09
80阅读
基于弱监督深度学习的图像分割方法本文主要介绍基于深度学习的图像分割方法，即语义分割、实例分割和全景分割。1 基础概念生活中，我们和周围的事物都是有“标签”的，比如人、杯子、天空等等。在不同的场景下，相同的事物可能对应了不同的标签，比如长在地上的一片小草称为“草地”，长在花盆里的很可能属于“盆栽”，画在画中的又属于“装饰”。如果把整幅图像比作我们生活的世界，那么具有相同“标签”的像素就组
1、会话图的构建的窗口，窗口中的其他元素与k在全局图中相连，将出现次数作为每条边的权重。（作者在b图右侧的全局图构建出错了，v1的邻接点应该是v2、v3、v4）2、物品表征2.1、全局物品表征全局图的attetion计算如下： 其中，wij代表i之间j的权重，j是与i相邻的点。s=，代表一个会话中所有物品特征的均值。该attention机制考虑了临界点与整个会话的契合程度，并根据契合程度和临界点
图像局部特征提取算子介绍及实现
原创
2021-12-23 16:34:19
1072阅读
随着深度学习的发展，其优越的性能影响深远。图像分类也是视觉任务的经典问题。但是某些特殊的场景下，分类的样本少，无法利用深度学习模型重新训练，迁移学习在少量样本下也是有心无力。好在，已经有很多的大牛开源了众多的预训练模型，比如经典的MobileNeta家族、VGG家族、ResNet家族等等，以及最近火热的大模型，比如CLIP，Dinov2以及其的衍生版本。其性能在不同的硬件水平时期得到了充分的证明。
随着深度学习的发展，其优越的性能影响深远。图像分类也是视觉任务的经典问题。但是某些特殊的场景下，分类的样本少，无法利用深度学习模型重新训练，迁移学习在少量样本下也是有心无力。好在，已经有很多的大牛开源了众多的预训练模型，比如经典的MobileNeta家族、VGG家族、ResNet家族等等，以及最近火热的大模型，比如CLIP，Dinov2以及其的衍生版本。其性能在不同的硬件水平时期得到了充分的证明。
LOG,HOG,DOG微分算子在近圆的斑点检测方面效果很好HOG特征
原创
2023-04-12 09:26:50
322阅读
图像特征与描述（2）引言1、Haar-like特征的快速计算： 积分图2、局部特征： SURF3、ORB特征描述4、BRIEF5、ORB对BRIEF的改进6、其他特征提取-LBP7、其他特征提取-Gabor8、代码实现SURFORB 引言笔记总结。1、Haar-like特征的快速计算： 积分图Haar-like特征分为： 边缘特征、 线性特征、中心特征和对角线特征， 这些特征组合成特征模板。特征
转载
2024-07-31 16:49:14
22阅读
文章目录第一章 特征工程**前言一、什么是特征工程？二、为什么执行特征工程？三、特征提取三、特征选择总结 前言顾名思义，特征工程就是从数据中对特征进行工程化。一、什么是特征工程？特征工程就是将原数据转换为能更好的代表预测模型潜在问题的特征的过程，从而提高了对未知数据的模型准确性。二、为什么执行特征工程？在机器学习中，任何建模技术想要获得满意的结果都需要良好的数据特征。特征对于提高模型的预测能力是
线检测--快速几何形状检测 参考：【OpenCV入门指南】第七篇 线段检测与圆检测（一）、边缘检测 一维显著特征常见表示为边缘。边缘检测的预处理常用 高斯模糊；主要数学运算为计算一阶和二阶导数，寻找梯度和零交叉点，其中梯度计算可用快速卷积...
转载
2015-08-01 15:34:00
239阅读
2评论
按传感器采用的成像波段分类，光学图像通常是指可见光和部分红外波段传感器获取的影像数据。而SAR传感器基本属于微波频段，波长通常在厘米级。可见光图像通常会包含多个波段的灰度信息，以便于识别目标和分类提取。而SAR图像则只记录了一个波段的回波信息，以二进制复数形式记录下来；但基于每个像素的复数数据可变换提取相应的振幅和相位信息。振幅信息通常对应于地面目标对雷达波的后向散射强度，与目标介质、含水量以及粗
转载
2024-05-21 15:32:00
67阅读
背景引言
计算机视觉中，引入尺度不变的特征，主要的思想是每个检测到的特征点都伴随着对应的尺寸因子。当我们想匹配不同图像时，经常会遇到图像尺度不同的问题，不同图像中特征点的距离变得不同，物体变成不同的尺寸，如果我们通过修正特征点的大小，就会造成强度不匹配。为了解决这个问题，提出一个尺度不变
的SURF特征检测，在计算特征点的时候把尺度因素加入之中。SURF与SIFT算法相似
转载
2024-07-31 16:45:43
16阅读
第四次作业：CNN实战1.数据下载2.数据预处理完成数据下载之后，需要对数据进行一些预处理： 图片将被整理成 224 × 224 × 3 的大小，同时还将进行归一化处理。设置VGG的格式 同时加载图像的数据。将数据拆分为训练集和有效集； 顺便取一小部分数据用来做可视化。在把这几张图片打印出来看看效果：打印图片和对应结果：input_try是5张244x244x3（RGB三通道）的小图片； labl
转载
2024-04-08 10:36:15
77阅读
计算机处理的都是数字化的信息图像必须转化为数字信息以后才能被计算机识别并处理。借助计算机数字图像处理技术，我们可以在photoshop工作区中浏览到现在不同形式的图像，并对它们进行操作处理，创作出各种各样的图像，那你知道计算机中常用的图像类型都有哪些吗？计算机中常用的图像类型可以分为：矢量图和点阵图。矢量图矢量图形是由叫做矢量的数学对象所定义的直线和曲线组成的。矢量根据图形的集合特性进行描述，矢量
前言 本文将主要讲解如何使用 OpenCV 实现图像分割，这也是图像金字塔在 OpenCV 中的一个重要应用。关于图像分割 在计算机视觉领域，图像分割（Segmentation）指的是将数字图像细分为多个图像子区域（像素的集合）（也被称作超像素）的过程。图像分割的目的是简化或改变图像的表示形式，使得图像更容易理解和分析。[1]图像分割通常用于定位图像中的物体和边界（线，曲线等）。更精确的，图像
SIFT的计算复杂度较高。 后记： 使用SiftGPU编译成功，但对于图像处理，整个流程未能见得明显的时间缩短，数据拷贝占据较长时间。
转载
2017-03-27 17:05:00
192阅读
2评论
基于古老的Marr视觉理论，视觉识别和场景重建的基础即第一阶段为局部显著性探测。探测到的主要特征为直觉上可刺激底层视觉的局部显著性——特征点、特征线、特征块。 相关介绍：局部特征显著性—点特征（SIFT为例） 五、GLOH特征（梯度位置方向直...
转载
2017-03-09 17:24:00
147阅读
2评论
参考文章：Freak特征提取算法 圆形区域分割一、Brisk特征的计算过程（参考对比）：1.建立尺度空间：产生8层Octive层。2.特征点检测：对这8张图进行FAST9-16角点检测，得到具有角点信息的8张图，对原图像img进行一次FAST5-8...
转载
2017-03-16 13:31:00
204阅读
2评论
fast作为几乎最快的角点检测算法，一般说明不附带描述子。参考综述：图像的显著性检测——点特征 详细内容，请拜访原=文章：Fast特征点检测算法 在局部特征点检测快速发展的时候，人们对于特征的认识也越来越深入，近几年来许多...
转载
2017-03-16 16:58:00
108阅读
2评论
1999年的SIFT（ICCV 1999，并改进发表于IJCV 2004，本文描述）；参考描述：图像特征点描述。 参考原文：SURF特征提取分析 本文有大量删除，如有疑义，请参考原文。 SURF对SIFT的改进： ...
转载
2017-03-16 12:02:00
223阅读
2评论
