摘要：
更新：针对openMVG中的SIFT源码解析，由于篇幅较长，我放在了另一篇文章中SIFT源码解析（openMVG-2.1），其中一些实现细节可以作为本篇文章的补充。 本文对 SIFT 算法进行了详细梳理。SIFT即尺度不变特征变换（Scale-Invariant Feature Transform） 阅读全文
摘要：
本文从经典的针孔相机模型开始，推导出相机的几何模型。这个模型描述了如何把三维场景中的坐标转换到二维图像上。只有理解了这个模型，我们才有可能从二维的图像反向推测三维世界，也就能够实现三维重建的过程。 参考资料： 计算机视觉 鲁鹏 清晰完整合集 小孔成像原理 针孔模型是相机最理想的模型，针孔成像的示意图 阅读全文
摘要：
本文对openMVG 2.1中的sift相关源码进行了解析，算法原理部分请见上一篇文章万字长文详解SIFT特征提取，本文代码中涉及的一些细节问题可以当作上一篇文章的补充。 调用例程 openMVG的项目源代码中有sift的调用例程，见： openMVG-2.1\src\openMVG_Samples 阅读全文
摘要：
Ransac全称为Random Sample Consensus，随机一致性采样。该方法是一种十分高效的数据拟合方法。我们通过最简单的拟合直线任务来了解这种方法思路，继而扩展到特征点匹配中的误点剔除问题。 （注意，RANSAC不是直接用于特征点匹配，而是一种在初步特征匹配后消除误匹配的方法） 直线拟 阅读全文
摘要：
对边缘的直观理解 边缘有助于我们对图像进行语义理解。直观上，边缘发生在图像强度值变化剧烈的地方 如何描述变化？自然是用导数/梯度 如上图，我们对图中的信号在水平方向上求导，可以得到右侧的导数图像，可以看到，它在边缘处由于信号发生剧烈变化，导数产生了极值。因此，导数的极值点能帮助我们定位边缘所在。 用 阅读全文
摘要：
论文：C.Harris and M.Stephens. "A Combined Corner and Edge Detector. Proceedings of the 4th Alvey Vision Conference: pages147--151. 为什么需要检测角点 传统的边缘检测（如So 阅读全文
摘要：
1. 全连接层 前文中我们讨论的几乎都是全连接层，也就是在层间，每个神经元都与前一层的所有神经元相连接，如图： 也就是每层的每个feature，都与前一层所有features相关联，是前一层所有features乘以一个权重矩阵W得来的。（这里为了简化理解，我们暂不考虑bias，activation 阅读全文
摘要：
当神经网络的层数增加，结构变复杂后，如果只用纯python（再加Numpy）来实现，代码将变得异常复杂，且难以阅读和调试。此时，就需要引入一些著名的深度学习框架了，比如PyTorch, TensorFlow等。 运用这些框架，你往往只需要定义一个神经网络的架构，反向传播过程则是自动完成的，你无需手动 阅读全文
摘要：
由反向传播原理可知，梯度的计算遵循链式法则。由于网络层数不断加深，梯度的连乘效应可能会导致梯度呈指数形式衰减，又或以指数形式增加。 前者叫做梯度消失，梯度消失导致网络中的早期层几乎不更新，使得网络难以学习到输入数据的有效特征。可能导致网络权重更新非常缓慢，使得训练过程变得不稳定。 后者叫做梯度爆炸， 阅读全文
摘要：
模型能否准确地预测数据，是通过损失函数来衡量的。如何调整权重和偏差参数，从而最小化神经网络的损失函数，这是一类特定的优化算法。我们称它们为优化器（optimizer）。 为什么需要优化器？ 因为损失函数参数众多且结构复杂，其导数置零的方程无法得到解析解或计算非常复杂。因此我们需要用迭代的方式逐步调整 阅读全文
