摘要: 3.1 目标定位输入:图像 x*y输出:y=[pc, bx, by, bw, bh, c1, c2, c3](pc的值域是0或1,表示这个位置有无目标,bx、by表示框的中心位置,bw、bh表示长和宽,c1~c3表示目标的类别,值域也是0和1) loss=∑ (y1-y1')^2 3.2 特征点检测 阅读全文
posted @ 2018-08-01 14:34 0点618 阅读(416) 评论(0) 推荐(0) 编辑
摘要: 首先找到2to3这个文件的位置,一般都在python的安装文件夹里 我是mac, 路径如下 /Users/rainbow0618/anaconda3/pkgs/python-2.7.14-ha6acbcf_22/bin 在命令行中执行 2to3 -w 想要转换的文件夹或文件的路径 阅读全文
posted @ 2018-07-30 13:51 0点618 阅读(254) 评论(0) 推荐(0) 编辑
摘要: 14年由MSRA的何凯明的Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition提出 这个方法主要有两个优点: (1) 输入可以是任意大小;(2)精度和速度提高 此外,多层次提取特征还增强了网络的鲁棒 阅读全文
posted @ 2018-07-27 14:56 0点618 阅读(740) 评论(0) 推荐(1) 编辑
摘要: 1. precision=TP/(TP+FP) 2. recall=TP/(TP+FN) 3. IoU=(TP+TN)/(TP+TN+FP+FN) 4. mAP(mean average precision)=所有类别的平均精度之和/类别数目 阅读全文
posted @ 2018-07-27 10:54 0点618 阅读(214) 评论(0) 推荐(0) 编辑
摘要: import os path = '' path_list=os.listdir(path) for filename in path_list: if os.path.splitext(filename)[1] == '.mhd': XXXXXX 阅读全文
posted @ 2018-07-24 10:43 0点618 阅读(3683) 评论(0) 推荐(0) 编辑
摘要: keras.backend.set_learning_phase(0) # train mode keras.backend.set_learning_phase(1) # predict mode 之所以这么区分,是因为某些层在预测和训练时不同 阅读全文
posted @ 2018-07-24 10:17 0点618 阅读(5511) 评论(1) 推荐(0) 编辑
摘要: 我的环境: win10, 1080ti, cuda=8.0, cudnn=6.0, keras=2.1.2, tensorflow-gpu=1.3 这几天弄这个问题搞得头都大了,重装过显卡驱动,cuda, cudnn各种版本都试了,网上也找不到有效的解决办法。 最后因为在别的win10电脑上程序可以 阅读全文
posted @ 2018-07-24 08:38 0点618 阅读(972) 评论(0) 推荐(0) 编辑
摘要: 安装anaconda时,一般会选择一个默认的python版本(2.7或3.6) 我们可以在anaconda-navigator上新建除了默认python版本之外的编译环境,也可以安装一部分库,但是感觉速度较慢。 (1)默认python编译环境的库安装 在命令行输入:pip 或pip3或conda i 阅读全文
posted @ 2018-07-17 11:05 0点618 阅读(3526) 评论(0) 推荐(0) 编辑
摘要: def fun(): global a #a 就被声明成全局变量 阅读全文
posted @ 2018-07-17 10:54 0点618 阅读(176) 评论(0) 推荐(0) 编辑
摘要: def fun1(a, *b): #b是可变参数,封装为list或tuple def fun2(c, **d): #d是关键字参数,封装为dict 阅读全文
posted @ 2018-07-17 10:52 0点618 阅读(209) 评论(0) 推荐(0) 编辑