摘要：
有空时候把代码上传github 阅读全文
摘要：
1、过拟合问题 1、数据增强 对图像进行旋转、翻转、裁剪等操作，创造出更多样的数据样本。 2、正则化 凡是能解决模型泛化误差而不是训练误差的方法，都被称为正则化。模型的泛化误差主要是由模型过拟合引起的，所以正则化的各种方法用于解决模型过拟合的问题。 L1和L2正则化：在损失函数中加上惩罚项，强制模型 阅读全文
摘要：
对于工业复杂场景检测，必不可能使用传统图像处理方法实现 机器视觉分为三个阶段 : 图像转化、图像分析、图像理解 图像分析：对图像中感兴趣的⽬标进⾏检测和测量，以获得他们的客观信息，从⽽建⽴对图像的描述。 图像理解：重点是在图像分析的基础上，进⼀步研究图像中各⽬标的性质和它们之间的相互联系，并得出对图 阅读全文
摘要：
启动docker时候，让其自动执行某个程序 使用start_ssh.sh脚本来做： 然后使用chmod +x start_ssh.sh 给文件增加权限 将start_ssh.sh文件添加到启动文件 vim /root/.bashrc 在.bashrc的末尾增加以下内容： 阅读全文
摘要：
https://jalammar.github.io/illustrated-transformer/ X就是输入的向量 ，第一步就是创建三个输入向量qkv 第二步是计算分数：分数决定了对输入句子的其他部分的关注程度。 分数是通过查询向量与我们要评分的各个单词的键向量的点积来计算的。因此，如果我们处 阅读全文
摘要：
语义分割： 实例分割： 全景分割： UNet Unet包括两部分，可以看右图，第一部分，特征提取，VGG类似。第二部分上采样部分。由于网络结构像U型，所以叫Unet网络。特征提取部分，每经过一个池化层就一个尺度，包括原图尺度一共有5个尺度。上采样部分，每上采样一次，就和特征提取部分对应的通道数相同尺 阅读全文
摘要：
非极大值抑制 ** 画出框的，代表这个框内部预测出东西了，但是这些框可能是重合的，所以要把一些画的歪的框去除掉，用nms方法** 选取这些框中scores最大的哪一个，记为box_best，并保留它计算box_best与其余的box的IOU如果其IOU>0.5了，那么就舍弃这个box（由于可能这两个 阅读全文
摘要：
上采样 在卷积神经网络中，由于输入图像通过卷积神经网络(CNN)提取特征后，输出的尺寸往往会变小 而有时我们需要将图像恢复到原来的尺寸以便进行进一步的计算(如图像的语义分割)，这个使图像由小分辨率映射到大分辨率的操作，叫做上采样。 上采样的几种方法：双线性插值(bilinear)，反卷积(Trans 阅读全文
摘要：
点击查看代码 # 第一步 读取csv文件（循环读取） # 第二步 将数据转化为tensor形式 # 第三步 创建一个列表 将tensor逐个放入列表 # 第四步 写入标签 import csv import numpy as np import torch from torch.utils.data 阅读全文
摘要：
点击查看代码 # 第一步 读取csv文件（循环读取） # 第二步 将数据转化为tensor形式 # 第三步 创建一个列表 将tensor逐个放入列表 # 第四步 写入标签 import csv import numpy as np import torch from torch.utils.data 阅读全文
摘要：
类似于这样的csv文件，通过全连接网络进行分类等任务。 ` 点击查看代码 # 第一步 读取csv文件（循环读取） # 第二步 将数据转化为tensor形式 # 第三步 创建一个列表 将tensor逐个放入列表 # 第四步 写入标签 import csv import numpy as np impo 阅读全文
