澳大利亚树袋熊

摘要： 阅读全文

摘要： 最近接触了一个仪表盘识别的项目，简单调研以后发现可以用CRNN来做。但是手边缺少仪表盘数据集，就先用ICDAR2013试了一下。 结果遇到了一系列坑。为了不使读者和自己在以后的日子继续遭罪。我把正确的代码发到下面了。 1）超参数请不要调整！！！！CRNN前期训练极其离谱，需要良好的调参，loss才会 阅读全文

摘要： 我一直在思考人脸匹配的1：1、1：N是如何做到的。首先，要做到识别出人脸；其次，在这基础上，要分辨出不同的人。 这是一个很有趣的东西。人脸类和非人脸类之间要有区分，人脸类内部的不同人之间也要有区分。 以前看到细粒度识别，其实度量学习和细粒度识别有着千丝万缕的关系，但我们暂且不谈。 来源：(29条消息 阅读全文

摘要： 参考视频：【汽车，后轮转向】用过都喊“真香”的技术_哔哩哔哩_bilibili 【66熟肉】推头和甩尾的区别，你真的懂吗？_哔哩哔哩_bilibili 阿克曼角是汽车转向的重要参数。对于前驱车辆而言，两前轮的法线夹角就是阿克曼角。 如果知道了阿克曼角，只需要知道前轴轴距，就可以利用余弦公式算出前轴的 阅读全文

摘要： 相机2D坐标到3D坐标的变换是一个SLAM、三维重建、相机标定的经典问题，这个过程必定要求解相机的内参矩阵、外参矩阵。 虽然这是一个slam最基础的入门问题，似乎只要调一个函数就能完成，但实际上，该问题是一个涉及最优化、矩阵论、代数等多个领域的较复杂数学问题。 参考资料： PnP算法详解（超详细公式 阅读全文

摘要： import random import torch import torch.nn as nn import matplotlib.pyplot as plt import numpy as np import math from torch.utils.data import DataLoade 阅读全文

摘要： 图像拼接、融合是全景拼接的基础操作，opencv库提供了stitch方法，该方法相当完备，就是速度有点慢。 我也实现了一个类似的方法，其流程为：特征提取、特征匹配、透视变换、掩膜生成、羽化融合。 按羽化算法，如下所示，两图交集区域是图像融合的区域，某点距离融合边界（属于图像a）越远，图像a在此点的融 阅读全文

摘要： 帕累托最优是一个很有趣的方法，你可以用它来做深度学习的多目标任务优化，也可以用于对比多个模型的性能。 详解：多目标优化之帕累托最优 - 知乎 (zhihu.com) 一、模型评价 上图所示，有ABCD四个系统，稳定性和准确性是评价系统性能的指标。这是很明显的，D在所有指标上都完全优于A；C稳定性强于 阅读全文

摘要： 一、维度灾难 维度灾难指的是当样本维度过高时，发生过拟合，验证集结果变差。 样本维度越高，能够提供的信息就越多，但是其中有可能会提供一些无关的信息。 而且随着维度越高，样本集在高维空间就会出现稀疏性，简单来说，就是需要更多的样本来填补这个空间。 上图所示，纬度高确实能带来一定提升，但是如果过高，就会 阅读全文

摘要： 噪声分为加性噪声、乘性噪声。加性噪声一般被认为是系统的背景噪声；而乘性噪声伴随信号产生，是系统时变性引起的。 单独分析时，只需要对乘性噪声取对数，就可化为加性噪声，所以所有的乘性噪声都可被近似为加性噪声。 实际上，信号既存在加性又存在乘性噪声。 但是，在视觉图像领域，通常注重处理乘性噪声，简单处理加 阅读全文