11 2025 档案
摘要：原因是项目没有生成成功，重新生成成功后就好了，第一次见，以前都是直接跳转到，记录下
阅读全文
摘要：原文链接：https://cloud.tencent.com/developer/article/1829792 RoI pooling在fast RCNN算法中得到应用，由于该算法用一个卷积网络对原图进行feature extraction，因而共享feature map（特征图，特征提取后得到的
阅读全文
摘要：特征图（Feature Map） 是卷积神经网络（CNN）对输入图像进行特征提取后得到的中间表示，可以理解为一组压缩但语义丰富的“特征图像”。在目标检测中，它是连接主干网络与检测头的核心桥梁。 一、直观形象：特征图长什么样？ 假设输入一张 3×800×600 的 RGB 图像： 经过 VGG16 的
阅读全文
摘要：云计算技术是一种基于互联网的计算模式，它将计算资源（如服务器、存储、数据库、网络、软件等）集中起来，以按需、可扩展的方式提供给用户，就像使用水电一样，随取随用，按量付费。 核心特征 按需自助服务：用户可随时申请资源，无需人工干预 广泛网络访问：通过互联网随时随地访问 资源池化：服务商整合资源，多用户
阅读全文
摘要：单元格内手动换行 在编辑单元格时，按 Alt + Enter 即可在光标位置插入换行符。
阅读全文
摘要：因为点了会蓝屏，太吓人了。重启后会好。 句柄是 Windows 内核用于管理资源的"凭证"或"门把手" 。它不是资源本身，而是进程访问内核对象（文件、注册表、窗口、事件等）的唯一授权标识。 生活化类比 想象你去图书馆： 内核对象 = 图书馆里的实体书（资源） 句柄 = 借书卡上的一行记录（凭证，写着
阅读全文
摘要：BiFPN（Bidirectional Feature Pyramid Network）主要用在“提取特征”之后、“做预测”之前的阶段，也就是检测/分割模型的 Neck 部分，负责把 backbone 输出的多尺度特征图进行双向融合，再送给检测头（Head）去推理。
阅读全文
摘要：可以，但要把“维”分清楚： 空间维（H、W）卷积只要 stride > 1 就能让特征图高宽变小，这叫空间降维（分辨率下采样）。 通道维（C） 想升维 → 把输出通道数设得比输入大（64 → 128） 想降维 → 用 1×1 卷积把输出通道数压小（128 → 64），也叫通道压缩 因此“通过卷积网络
阅读全文
摘要：多头自注意力（Multi-Head Self-Attention, MHSA）就是把“一个自注意力”拆成 h 个“头”并行计算，再把结果拼接回来，让模型同时从不同子空间捕捉多种依赖关系。 为什么多头单头自注意力只有一组 Q/K/V，只能学到一种“相似度度量”；多头 → 每组独立投影 → 各学各的（如
阅读全文
摘要：anchor（锚框）就是“RPN 在特征图上预先放好的一组固定大小、固定长宽比的矩形框模板”，用来**“捞”出可能包含物体的区域。 一句话理解：anchor ≠ 最终候选框，它只是“初始滑窗”，网络会在此基础上学出真正的框。 长什么样对每个空间位置（i, j）默认放 k 个 anchor： 3 种面
阅读全文
摘要：候选区域 = “可能包含物体的矩形框”，也叫 Region Proposal / 候选框。 怎么来的 早期 Selective Search：在彩色、纹理、边缘上聚类合并超像素，生成 1k~2k 个框。 Faster R-CNN：用 RPN（Region Proposal Network）在特征图上
阅读全文
摘要：128×128×256 的“分辨率”就是 128×128 像素（宽 128，高 128）。 分辨率就是一张图里“有多少个像素”，也叫空间分辨率。 用“宽 × 高”表示，单位是像素（pixel）。例：1920 × 1080 表示宽 1920 个像素、高 1080 个像素，总共约 207 万像素。 最后
阅读全文
摘要：多尺度特征图就是 “同一张输入图，在网络不同深度得到的一组空间分辨率不同、语义级别不同的特征图”。 为什么需要它 小目标 → 需要高分辨率特征（细节多） 大目标 → 需要大感受野、高语义特征（上下文多）单尺度图只能顾一头，多尺度才能同时抓大和小。 怎么来的（以 CNN 为例） 下采样自然产生224×
阅读全文
摘要：核心差别只有一点：“预训练”的权重已经在大规模数据上收敛过一次，而普通（从零开始）网络的权重仍是随机分布的。 除此之外，网络结构、前向计算、参数量、输入输出格式完全一样；差异只体现在“权重的初始状态”和随之而来的： 特征质量预训练 CNN 的低层边缘/纹理、中层部件、高层语义都已在百万级图片上统计出
阅读全文
摘要：不是。Faster R-CNN 的 Backbone 在“前向推理阶段”只收一张裸图（像素矩阵），任何标注（框、类、掩码）都不进网络。标注只在“训练阶段计算损失”时用到，而且只跟 RPN 和 RoI Head 打交道，Backbone 本身仍然只看图。 流程一句话： 输入：裸图 Backbone：输
阅读全文
摘要：自注意力机制（Self-Attention Mechanism），也称为内部注意力机制（Intra-Attention Mechanism），是一种在深度学习模型中，特别是在自然语言处理（NLP）和计算机视觉（CV）任务中广泛使用的注意力机制。它允许模型在处理序列数据时，对序列内部的不同位置进行加权
阅读全文
摘要：多层感知机（Multilayer Perceptron, MLP） 是深度学习的基础架构，由多层神经元组成的前馈神经网络，能够学习复杂的非线性映射关系，被誉为深度学习的"万能积木"。 一、核心结构：三层架构 层次组成 输入层 → 隐藏层 → 输出层 ↑ ↑↑↑ ↑(特征) (非线性变换) (预测结果
阅读全文
摘要：语义分割技术详解 语义分割（Semantic Segmentation） 是计算机视觉的核心任务，目标是为图像中的每个像素分配一个类别标签，实现像素级的精确理解。简单来说，就是让计算机"看懂"图像中每个像素是什么物体。 一、核心概念：从分类到分割 任务对比 | 任务类型 | 粒度 | 输出 | 示例
阅读全文
摘要：径向基函数概率神经网络（Radial Basis Function Probabilistic Neural Network, RBF-PNN）通常指概率神经网络（PNN），因其核心就是使用高斯径向基函数作为核函数。这是一种基于贝叶斯决策理论和核密度估计的神经网络，特别适合分类问题。核心思想：用"相
阅读全文
摘要：超参数（Hyperparameter） 是机器学习模型的 "外部设定" ，由人预先指定，不通过训练自动学习。 核心区别：超参数 vs 模型参数 表格 复制 对比项超参数模型参数 谁来定 你（开发者） 设定 算法自动学习 例子 学习率、网络层数 权重w、偏置b 作用 控制训练过程 决定模型行为 是否变
阅读全文
摘要：二值图像（Binary Image）是最高度简化的图像形式，每个像素点只有两种可能的取值，通常表示为黑白两色，没有中间灰度或彩色信息。 核心定义 像素值：每个像素只能是 0 或 1（或对应 0 和 255） 颜色表示：0 = 黑色（背景），1（或255）= 白色（前景） 数据形式：单通道、1比特深度
阅读全文
摘要：细化算法（Thinning Algorithm）是图像形态学处理中的经典算法，用于将二值图像中的前景对象逐层剥离，最终提取其骨架（Skeleton）——即单像素宽度的中心线，同时保持原对象的拓扑结构（连通性、端点、孔洞）基本不变。 核心特征 目标：将粗线条、区域对象简化为线状骨架 原则：不改变对象基
阅读全文
摘要：通用核心步骤 设置最小页边距：在打印设置中把边距设为0或最小值 启用缩放/自适应：让内容自动缩放以填满纸张 检查纸张方向：横向/纵向选择能最大化利用空间的方向
阅读全文
摘要：一、支持的整数基础类型 enum Color : byte // 显式指定byte类型（0-255） { Red, Green, Blue } enum HttpStatus : short // short类型 { OK = 200, NotFound = 404 } // 默认是int类型 en
阅读全文
摘要：1.把光标放在 文档最开头（按 Ctrl + Home 瞬间到顶）。2. 按 组合键：Ctrl + Enter即可在首页前插入一个“分页符”，得到一张空白页。
阅读全文
浙公网安备 33010602011771号