九叶草

摘要： 对于图像分割，首先可能会想到TP（True Positives）， TN(True Negatives)， FP(False Positives)，FN(False Negatives)这几个单词，但实际上由他们几个单词组成的混淆矩阵（confusion matrix）才是重点。 真实 预测 正例 阅读全文

摘要： 这两篇[1]【2】博客写的都非常详细。这里做个笔记记录一下。 HOG称为方向梯度直方图（Histogram of Oriented Gradient），主要是为了对图像进行特征提取。所以在传统目标检测算法中经常与SVM结合用于行人识别任务（当前都是基于深度学习来做了，毕竟效果不要太好了，并且省去了繁 阅读全文

摘要： 主要是为了个人理解，做个笔记 1、Pytorch代码 2、论文出处 3、详细介绍 这篇论文在2018年发出来，而ShuffleNet是从2017年由旷视发出来。起初了解shufflenet的提出，主要是为了解决分组卷积所导致的不同分组间信息无法交流的问题，所以采用了channel shuffle操作 阅读全文

摘要： 1、为了方便理解其本身结构，找到源码理解一下。 2、论文地址：http://arxiv.org/pdf/1801.04381.pdf 3、V2相比较V1增加了倒残差结构和线性瓶颈层。整个结构按照维度来看，类似一个中间宽，两边窄的结构。其中最后一层使用linear卷积（没有使用ReLU进行非线性激活， 阅读全文

摘要： 来源 卷积： 输入尺寸 ，卷积核的大小为 * ，输出的尺寸大小为 参数量 （1）不考虑bias：（2）考虑bias： FLOPs （1）不考虑bias 解释：先计算输出的中一个元素需要的计算量，即括号这一部分，根据卷积的公式可知这部分为 * + * ,其中前一项表示做了的乘法次数，后一项表示这些乘法 阅读全文

摘要： 这类方法按照图像的相似性准则划分不同的区域块。其中较为典型的方法优：种子区域生长法、分水岭法、区域分裂合并法。 种子区域生长法：首先通过一组表示不同区域的种子像素开始，逐步合并与种子周围相似的像素，从而扩大区域，直到无法合并像素点或者区域为止。这个相似性度量可以采用平均灰度值、纹理、颜色等信息。该方 阅读全文

摘要： 1、基于边缘检测的图像语义分割算法试图通过检测包含不同区域的边缘来解决分割问题。它可以说是人们最先想到也是研究最多的方法之一。通常不同区域的边界上像素的灰度值变化比较剧烈，如果将图片从空间域通过傅里叶变换到频率域，边缘就对应着高频部分，这是一种非常简单的边缘检测算法。最简单的边缘检测方法是并行微分算 阅读全文

摘要： 阈值法：基本思想是基于图像的灰度特征来计算一个或多个灰度阈值，并将图像中每个像素的灰度值与阈值相比较，最后将像素根据比较结果分到合适的类别中。因此，该类方法最为关键的一步就是按照某个准则函数来求解最佳灰度阈值。 一个简单实现： import cv2 import numpy as np import 阅读全文

摘要： 今天记录一下个人关于Transformer中前馈神经网络（FFN）的一点理解。 第一点，我们知道，FFN之前是有一个多头注意力机制的模块。我们可以想想一下，如果这个模块直接输出，不经过FFN层会发生什么，要知道多头注意力（MH）是没有激活函数的，那么最后只有一个结果，那就是很多头的输出就是一个极为相 阅读全文

摘要： 1、采用分类任务时，我们通常会采用逻辑回归算法，最关键的步骤就是将线性模型输出的实数域映射到[0, 1]表示概率分布的有效实数空间，其中Sigmoid函数刚好具有这样的功能。但是这通常只适用于二分类问题。要多多分类任务各个输出节点的输出值范围映射到[0, 1]，通常可以采用softmax。 2、所谓 阅读全文