随笔分类 - 机器学习
摘要：title: gaussian噪声 date: 2023-04-18 20:24:45 tags: - gaussian噪声 categories: - 充电学习 高斯噪声 高斯噪声（Gaussian noise）是一种具有正态分布（也称作高斯分布）概率密度函数的噪声。换句话说，高斯噪声的值遵循高斯
阅读全文
摘要：title: 数字图像性质 date: 2022-04-13 14:22:25 tags: - 信息熵 categories: - 充电学习 目录 信息熵 高斯噪声 图像噪声 离散傅里叶变换 信息熵 熵可以作为一种**“失调”**的度量，熵的值越大表明这个事件就越难以预料。 当前这个公式底为2，表明
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：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
摘要：看了《Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks》这篇论文，大致了解了CycleGAN的工作原理，为了更好的理解他损失函数的设计，结合提供的代码，我绘制了损失函数的流程图，并且用map
阅读全文
摘要：过拟合原因： 1. 训练集的数量级和模型的复杂度不匹配。训练集的数量级要小于模型的复杂度；（模型太复杂，参数就会太大，然而你的数据量又很小） 2. 训练集和测试集特征分布不一致；（用分类猫的训练集，去拟合分类狗的） 3. 样本里的噪音数据干扰过大，大到模型过分记住了噪音特征，反而忽略了真实的输入输出
阅读全文
摘要：cv2.morphologyEx(image, cv2.MORPH_GRADIENT, SE)可以参考这篇博客cv2.MORPH_GRADIENT：形态学梯度(morph-grad)，可以突出团块(blob)的边缘， 保留物体的边缘轮廓。 #coding:utf-8 import SimpleITK
阅读全文
摘要：cv2.getStructuringElement(cv2.MORPH_RECT, (7,7))介绍，请看这个博客。我简要说一下cv2.getStructuringElement，可用于构造一个特定大小和形状的结构元素，用于图像形态学处理。其中 MORPH_RECT 就是构造一个全1方形矩阵。代码如
阅读全文
摘要：《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》 1、Batch Normalization 并不能缓解深度网络梯度爆炸问题，反而是梯度爆炸的原因。一般通多跳跃
阅读全文
摘要：对于小数据量医学图像进行深度学习使，会由于数据量过小而过拟合。因此我们需要采用数据扩充方法，而flip和rotate又是经常用到的，这里做一个简单的实现。 输入为[batchsize,height, width, channel]。这里是2D医学图像数据增强，我之前应该有写到3D增强，不过2D稍加改
阅读全文
摘要：计算量：FLOPs，FLOP时指浮点运算次数，s是指秒，即每秒浮点运算次数的意思，考量一个网络模型的计算量的标准。参数量：Params，是指网络模型中需要训练的参数总数。 flops(G) = flops / 1000**3 params(M) = params /1000**2
阅读全文
摘要：出处：Transformer为何能闯入CV界秒杀CNN？ CNN 中的卷积运算由于使用了两个重要的空间约束，从而有助于视觉特征的学习和提取： 由于 CNN 权重共享机制，卷积层所提取的特征便具有平移不变性，它们对特征的全局位置不感冒，而只在乎这些决定性的特征是否存在。 由于卷积算子的性质，所以卷积的
阅读全文
摘要：import yaml #向yaml文件中写 with open("E:\个人\ rename.yaml", 'w') as f: project = {'在远方':"1214", "宁夏":"银川","test":'txt'} yaml.dump(project,f) #读取yaml文件中的内容
阅读全文
摘要：从知乎上借鉴而来，用于学习：链接 1、ascontiguousarray函数将一个内存不连续存储的数组转换为内存连续存储的数组，使得运行速度更快。 比如我们生成一个二维数组，Numpy可以通过.flags熟悉查看一个数组是C连续还是Fortran连续的 import numpy as np arr
阅读全文
摘要：一、mean() 函数定义：numpy.mean(a, axis, dtype, out，keepdims ) mean()函数功能：求取均值经常操作的参数为axis，以m * n矩阵举例： axis 不设置值，对 m*n 个数求均值，返回一个实数 axis = 0：压缩行，对各列求均值，返回 1*
阅读全文
摘要：1、@是用来对tensor进行矩阵相乘的： import torch d = 2 n=50 X = torch.randn(n,d) true_w = torch.tensor([[-1.0],[2.0]]) y = X @ true_w + torch.randn(n,1)*0.1 print(X
阅读全文
摘要：import torch import torch.nn.functional as F import matplotlib.pyplot as plt import numpy as np x = torch.linspace(-10,10,60) fig = plt.figure(figsize
阅读全文
摘要：我们可以看到绘制出来的图有四个边框，我们通过gca()对坐标轴进行一些简单处理，代码如下。 import torch import torch.nn.functional as F import matplotlib.pyplot as plt import numpy as np x = torc
阅读全文
