目录摘要1. 引言2. 相关工作3. 提出的方法A. Polarization Attention Module（PAM）B. 旋转锚框精炼模块 C. 动态锚定学习 4. 实验A. 数据集B. 实施细节C. 消融研究D. 主要结果和分析5. 结论 摘要光学遥感图像中的目标检测是一项重要且具有挑战性的任务。近年来，基于卷积神经网络的方法取得了良好的进展。然而，由于目标尺
传统的图像特征提取（特征工程）主要是基于各种先验模型，通过提取图像关键点、生成描述子特征数据、进行数据匹配或者机器学习方法对特征数据二分类/多分类实现图像的对象检测与识别。卷积神经网络通过计算机自动提取特征（表示工程）实现图像特征的提取与抽象，通过MLP实现数据的回归与分类。二者提取的特征数据都具不变性特征。迁移不变形尺度不变性辐照度/亮度不变性CNN为什么能提取到图像特征？关键点在于CNN有两种
转载
2024-03-19 13:47:44
247阅读
什么是图像识别 •
图像识别技术是信息时代的一门重要的技术，其产生目的是为了让计算机代替人类去处理大量的物理信息。随着计算机技术的发展，人类对图像识别技术的认识越来越深刻 •
图像识别技术的定义为利用计算机对图像进行处理、分析和理解，以识别不同模式的目标和对象的技术 •
图像识别技术的过程分为信息的获取、预处理、特征抽取和选择、分类器设计和分类决策 举个栗子： 好看不？卧
转载
2024-08-08 17:11:38
96阅读
使用预训练网络提取图像特征，并用于分类。
上一节中，我们采用了一个自定义的网络结构，从头开始训练猫狗大战分类器，最终在使用图像增强的方式下得到了82%的验证准确率。但是，想要将深度学习应用于小型图像数据集，通常不会贸然采用复杂网络并且从头开始训练（training from scratch），因为训练代价高，且很难避免过拟合问题。相对的，通常会采用一种更
转载
2023-10-16 13:20:39
231阅读
R-CNN系列链接: 目标检测各类方法主要的创新点参考连接：1、R-CNN选择性搜索候选框----正负样本提取（IOU筛选即nms）------抠图CNN提取特征----SVM分类（极大值抑制进一步筛选）-----边框回归（将筛选出来的进行调整）候选区域提出阶段（Proposal）：采用selective-search方法，从一幅图像生成1K~2K个候选区域； 特征提取：对每个候选区域，使用CNN
转载
2024-07-08 16:18:35
0阅读
前言 本篇文章主要介绍了CNN网络中卷积层的计算过程，欲详细了解CNN的其它信息可以参考：技术向：一文读懂卷积神经网络。局部连接性和权值共享性。因为对一副图像中的某个像素p来说，一般离像素p越近的像素对其影响也就越大（局部连接性）；另外，根据自然图像的统计特性，某个区域的权值也可以用于另一个区域(权值共享性)。这里的权值共享说白了就是卷积核共享，对于一个卷积核将其与给定的图像做卷积就可以提取一种图
转载
2024-07-31 17:49:44
101阅读
对于即将到来的人工智能时代，作为一个有理想有追求的程序员，不懂深度学习（Deep Learning）这个超热的领域，会不会感觉马上就out了？作为机器学习的一个分支，深度学习同样需要计算机获得强大的学习能力，那么问题来了，我们究竟要计算机学习什么东西？答案当然是图像特征了。将一张图像看做是一个个像素值组成的矩阵，那么对图像的分析就是对矩阵的数字进行分析，而图像的特征，就隐藏在这些数字规律中。深度学
转载
2024-08-12 11:48:56
395阅读
在实际系统我们会接触到许许多多的文本类型数据。如何将这部分数据用于作为机器学习模型的输入呢？一个常用的方法是将文本转化为一个能很好的表示它的向量，这里将称该向量称作为文本向量。本文将以尽可能少的数学公式介绍目前业界比较流行的基于神经网络进行文本特征提取，得到文本向量的方案。1. 背景知识 这部分内容将介绍线性回归、梯度下降、神经网络、反向传播。对于有基础的同学这部分可以跳过，对于之前没有接触过相关
转载
2024-06-19 10:18:08
67阅读
一、算子简介 在一维连续数集上有函数f(x),我们可以通过求导获得该函数在任一点的斜率，根据导数的定义有：
在二维连续数集上有函数f(x,y),我们也可以通过求导获得该函数在x和y分量的偏导数，根据定义有：
二、Prewitt算子和Sobel算子 Prewitt算子是一种一阶微分算子的边缘检测，利用像素点上下、左右邻点的灰度差，在边缘处达到极值检测边缘，去掉部分伪边缘，
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
Canny算子原理：Canny算子首先在x和y方向求一阶导数，然后组合为4个方向的导数。这些方向导数达到局部最大值（又叫非极大值抑制）的点就是组成边缘的候选点。然而，Canny算法最重要的一个新特点是其试图将独立的候选像素拼装成轮廓。轮廓的形成是对这些像素运用滞后性阈值。这意味着有两个阈值，上限和下限。如果一个像素的梯度大于上限阈值，则被认为是边缘像素，如果低于下限阈值，则被抛弃（灰度值被置为0）
1.概念CNN -> 深度学习模型，主要用于图像识别、语音识别、自然语言处理等。2.卷积操作1.滑动卷积核(一个小矩阵、滤波器)对输入图像进行特征提取
2.滑动在图像上，对每个位置的像素进行加权求和 -> 新的输出矩阵(特征图)\[y[i] = (w * x)[i] = sum(j=0 to k-1) w[j] * x[i+j]
\]3.通过不同的卷积可以提取不同的特征，比如边缘、角点
转载
2024-03-25 12:16:48
396阅读
一.浅谈CNN和RNN 1.CNN结构 1）卷积(提取特征)：对图像元素的矩阵变换，是提取图像特征的方法，多种卷积核可以提取多种特征。一个卷积核覆盖的原始图像的范围（权值共享）。一次卷积运算(哪怕是多个卷积核)提取的特征往往是局部的，难以提取出比较全局的特征，因此需要在一层卷积基础上继续做卷积计算，这也就是多层卷积。 2）池化(降维，提取主要特征)：降维的方法，按照卷积计算得出的特征向量维度大的惊
转载
2023-11-26 16:22:29
263阅读
看了论文和博客，对于CNN还是有些模糊，索性直接看代码，下面总结一下Toolbox中CNN的过程：
网络结构是采用1-6c-2s-12c-2s的结构，对于初始层，相当于只有一层特征层作为输入，然后是CNN中所特有的c层和s层，这里说一下c层和s层，c层就是convolutional层，将输入层通过不同的卷积核map到几个特征层上，这里面就涉及到卷积操作
一、为什么CNN、卷积能够提取特征？首先这个问题就不能说是一个恰当的问题，就图像处理角度来看，特征是数字图像映射到计算机处理的矩阵，而每个矩阵的数值就是一个特征点，由一幅图像组成的整个特征矩阵就是一个特征图，每输入网络的点（0~255数值）针对神经网络而言都是一个特征，不同维度的特征就是不同维度的特征向量。故卷积、CNN并不是完全说是提取特征，而是对特征的一种处理或者说是转变（stride步长 &
转载
2023-12-11 12:42:13
228阅读
1、全连接神经网络到卷积神经网络（CNN）对于全连接神经网络而言，分析数字图像一来参数较多，二来没有很好地考虑到像素与像素之间的位置关系，并且由于梯度传递的限制导致网络的层数难以增加。因而人们更多的是采用卷积神经网络（CNN）来对图像进行分析与处理。 CNN采用不断卷积池化的结构来搭建网络，其中卷积代替了全连接层的特征提取的作用，利用卷积能够利用局部信息的特性来提高在图像上的处理性能 ，
转载
2024-04-23 13:27:20
206阅读
三大特征提取器 - RNN、CNN和Transformer#
简介
近年来，深度学习在各个NLP任务中都取得了SOTA结果。这一节，我们先了解一下现阶段在自然语言处理领域最常用的特征抽取结构。本文部分参考张俊林老师的文章《放弃幻想，全面拥抱Transformer：自然语言处理三大特征抽取器（CNN/RNN/TF）比较》(写的非常好，学NLP必看博文)，这里一方面对博文进行一定程度上的总结，并加上一
转载
2024-07-31 17:53:24
47阅读
最近看到知乎发现在讲解理论知识比有些博客容易理解很多，这里记一篇卷积神经网络理论知识原来CNN是这样提取图像特征的。。。对于即将到来的人工智能时代，作为一个有理想有追求的程序员，不懂深度学习（Deep Learning）这个超热的领域，会不会感觉马上就out了？作为机器学习的一个分支，深度学习同样需要计算机获得强大的学习能力，那么问题来了，我们究竟要计算机学习什么东西？答案当然是图像特征了。将一张
转载
2024-04-07 22:04:30
302阅读
深度神经网络框架：(前向神经网络FDNN&&全连接神经网络FCNN)使用误差反向传播来进行参数训练(训练准则、训练算法)数据预处理 最常用的两种数据预处理技术是样本特征归一化和全局特征标准化。 a.样本特征归一化 如果每个样本均值的变化与处理的问题无关，就应该将特征均值归零，减小特征相对于DNN模型的变化。在语音识别中，倒谱均值归一化(CMN)是在句子内减去MFCC特征的均值，可以
转载
2024-04-20 22:17:41
55阅读
1.介绍在大部分传统机器学习场景里，我们先经过特征工程等方法得到特征表示，然后选用一个机器学习算法进行训练。在训练过程中，表示事物的特征是固定的。后来嘛，后来深度学习就崛起了。深度学习对外推荐自己的一个很重要的点是——深度学习能够自动提取特征。如果你是从 DNN 开始了解深度学习，你会对 “深度学习能够自动提取特征” 很迷茫。但是如果你是从 CNN 开始了解深度学习的，你就会很自然地理解 “深度学
转载
2024-04-25 12:06:28
61阅读
