九叶草

摘要： 1、原理：将原始图像的灰度图从比较集中的某个灰度区间均匀分布在整个灰度空间中，实现对图像的非线性拉伸，重新分配图像像素值。 2、应用场景：对于图像背景或者前景太亮（曝光严重）可以得到较好的显示。 3、算法特点：直方图均衡化保证在图像像素映射过程中原来的大小关系保持不变，即较亮的区域依旧较亮，较暗的依 阅读全文

摘要： 对于深度学习模型优化，通常从以下几点进行： 1、数据方面： 1）数据预处理：比如可以进行重采样；设置图像强度阈值。 2）数据增广：对于图像来说，可以对图像进行平移、旋转、镜像、添加噪声，改变对比度等方法进行数据扩充。这是一个对图像数据进行扩充的一些库：https://github.com/album 阅读全文

摘要： 详细介绍这里，清楚的介绍了三种损失函数。我这里重点记录一下他们的异同，方便自己消化理解。 1、对于回归损失函数，通常主要有MSE（均方误差），MAE（平均绝对误差），Huber Loss。其中，Huber Loss（也叫smooth L1 Loss）是为了消除二者的缺点而提出来的。 2、通常MSE 阅读全文

摘要： 图像分割是建立在图像分类和目标检测的基础之上。所以难度也要比图像分类要难。同时，两个任务在评价指标上其实也就存在一些相同，比如都会用到混淆矩阵，准确率，精确率，召回率，F1-score，IOU等评价指标，这些指标的计算我已经在之前图像分割评价指标介绍过了。下面就介绍一下图像分割中没介绍，但是在图像分 阅读全文

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