08 2018 档案

04.卷积神经网络_第二周深度卷积网络：实例探究
摘要：2.1 为什么要进行实例探究？ 过去几年，计算机视觉研究中的大量工作都集中在如何把卷积、池化、全连接这些基本构建组合起来，形成有效的卷积神经网络。在计算及视觉任务中表现良好的神经网路框架，往往也适用于其它任务。这里有些知名的卷积网络结构，如LeNet-5,、AlexNet、VGG、ResNet、In 阅读全文
posted @ 2018-08-30 09:47 mjl_cv 阅读(538) 评论(0) 推荐(0)
Generative Adversarial Nets(生成对抗网络)
摘要：生成对抗网络通过一个对抗步骤来估计生成模型，它同时训练两个模型：一个是获取数据分布的生成模型$G$，一个是估计样本来自训练数据而不是$G$的概率的判别模型$D$。$G$的训练步骤就是最大化$D$犯错的概率。这个框架对应于一个二元极小极大博弈。在任意函数$G$和$D$的空间中，存在唯一解，$G$恢复数 阅读全文
posted @ 2018-08-28 15:33 mjl_cv 阅读(4259) 评论(0) 推荐(0)
Image registration methods: a survey
摘要：Image registration methodology 图像配准广泛用于遥感，医学图像，计算机视觉等。通常，它的应用根据图像获取方式主要分为四组： 不同视角(多视角分析)。从不同视角获取同一场景图像。其目的是为了获得更大的2D视图或者扫描场景的3D表示。 应用示例：遥感-被检区域图像的拼接。计 阅读全文
posted @ 2018-08-24 23:20 mjl_cv 阅读(1129) 评论(0) 推荐(0)
Non-planar Infrared-Visible Registration for Uncalibrated Stereo Pairs
摘要：摘要 对于非平面场景可见光-红外视频配准是视觉监控的一个新领域。它使用两种光谱信息的结合来更好的行人检测和分割。这里，提出一个新的用于非平面场景的可见光和红外配准的在线框架，这个框架包括前景分割、特征匹配、修正和差异计算。提出的方法基于稀疏轮廓点相关性。这个框架的关键想法是在视频的开始移除错误的区域 阅读全文
posted @ 2018-08-13 19:39 mjl_cv 阅读(354) 评论(0) 推荐(0)
opencv使用问题总结
摘要：1.opencv右键捕捉响应与qt新功能右键弹出控制菜单冲突 在新建窗口时，设置窗口参数，屏蔽qt新功能。 2.Ubuntu上安装python版opencv 3. opencv显示图像格式 使用cv.imshow(“demo”, img)时， img的格式必须是np.uint8 阅读全文
posted @ 2018-08-09 21:47 mjl_cv 阅读(381) 评论(0) 推荐(0)
Fast R-CNN(RoI)
摘要：Fast R-CNN是一个基于区域的目标检测算法。Fast R-CNN建立在先前的工作之上，并有效地使用卷积网络分类目标建议框。与先前的工作相比，使用几点创新改善了训练和测试时间并增加了检测准确率。 2. Fast R-CNN结构和训练 图1展示了Fast R-CNN的结构。该网络输入一个完整的图像 阅读全文
posted @ 2018-08-04 00:08 mjl_cv 阅读(2546) 评论(0) 推荐(0)
Faster R-CNN(RPN)
摘要：最先进的目标检测网络依赖于区域生成算法来假设目标位置。先前的SPPnet和Fast R-CNN都已经减少了检测网络的运行时间，但也暴露出区域建议计算是个瓶颈。这篇文章，引出一个区域生成网络（RPN）和检测网络共享全图的卷积特征，因此使得区域建议几乎没有任何开销。RPN是一个在每一个位置同时预测目标边 阅读全文
posted @ 2018-08-02 17:19 mjl_cv 阅读(3827) 评论(0) 推荐(0)