- 博客(58)
- 资源 (5)
- 收藏
- 关注
RSS订阅转载 基于Matterport版本的Mask-RCNN训练自己的数据集
转载自：https://blog.csdn.net/l297969586/article/details/79140840 本文是转载的，但可以做个补充：将model.train()的头结构训练阶段的epochs=1改为较大的数，如100，将全网络训练的epochs=1改为200，可以在tensorboard上得到较为平滑的loss曲线。如果不改，得到的loss曲线是一条直线（只保存了两...
2018-04-01 14:41:33
4867
18
转载 Detectron安装与Mask RCNN介绍
现在，官方版开源代码终于来了。同时发布的，是这项研究背后的一个基础平台：Detectron。官方地址：https://github.com/facebookresearch/DetectronDetectron是Facebook的物体检测平台，今天宣布开源，它基于Caffe2，用Python写成，这次开放的代码中就包含了Mask R-CNN的实现。除此之外，Detectron还包含了ICCV 20...
2018-01-25 22:18:16
7351
15
原创 错误：No module named caffe.proto或No module named caffe解决方法
在确保自己安装成功caffe后，import caffe等类似导入时，出现上述错误可以再import caffe前面添加以下两句命令：import syssys.path.insert(0, '/home/hustac/caffe/python') #/home/hustac/caffe/python是我的caffe编译地址
2018-01-25 20:13:18
2586
原创 Ubuntu下自带Python2.7同时安装Anoconda3要注意的问题
有系统自带的Python2.7，同时又安装Anoconda3（Python3.5），那么系统就拥有两种Python环境。这样对于各种环境下的包安装和应用运行环境选择：（1）安装命令：pip——>Python2.7环境；pip3——>Python3.5环境；（2）运行命令：①：sudo python ……——>Python2.7环境；python ……——>Python3.5环境；②
2018-01-25 19:09:51
1077
转载 FCN制作自己的数据集、训练和测试全流程
转载自：http://blog.csdn.net/zoro_lov3/article/details/74550735 **FCN制作自己的数据集、训练和测试全流程** 花了两三周的时间，在导师的催促下，把FCN的全部流程走了一遍，期间走了很多弯路，现在记录一下。系统环境：ubuntu 16.04LTS一、数据集的制作 注：我的数据集是仿照VOC数据集进行制作的1.resi
2018-01-24 20:53:32
2869
1
转载 CNN for Semantic Segmentation（语义分割，论文，代码，数据集，标注工具，blog）
转载自：http://blog.csdn.net/fabulousli/article/details/78633531在FCN网络在2104年提出后，越来越多的关于图像分割的深度学习网络被提出，相比传统方法，这些网络效果更好，运算速度更快，已经能成熟的运用在自然图像上。语义分割显然已经是计算机视觉领域的一个热门研究领域，也是通往实现完全场景理解的道路之一，被广泛应用于无人驾驶、人机交互、医疗图
2018-01-23 21:16:27
1344
转载 图像分割 | FCN数据集制作的全流程（图像标注）
转载自：http://blog.csdn.net/u010402786/article/details/72883421 一 全卷积神经网络文章所有代码已上传至github，觉得好用就给个star吧，谢谢https://github.com/315386775/FCN_train深度学习图像分割（FCN）训练自己的模型大致可以以下三步：1.为自己的数据制作label；2.将自
2018-01-22 12:56:48
2680
转载 matterport Mask_RCNN官方教程翻译
转载自：http://blog.csdn.net/wei_guo_xd/article/details/78579473matterport/Mask_RCNN官方教程这是一个基于python3,keras和tensorflow的mask rcnn模型。这个模型对图像中的每一个目标实例产生候选框和分割掩膜。这个模型基于特征金字塔网络（Feature Pyramid Network, FPN）和
2018-01-21 19:51:41
3773
转载 模式识别中的正样本与负样本
转载自：http://www.cnblogs.com/rainsoul/p/6247779.html首先将这个问题分为分类问题与检测问题两个方面进行理解：（1）在分类问题中，这个问题相对好理解一点，比如人脸识别中的例子，正样本很好理解，就是人脸的图片，负样本的选取就与问题场景相关，具体而言，如果你要进行教室中学生的人脸识别，那么负样本就是教室的窗子、墙等等，也就是说，不能是与你要研究的问题
2018-01-21 19:41:13
13182
转载 Mask R-CNN+tensorflow/keras的配置介绍、代码详解与训练自己的数据集演示
简介论文地址：Mask R-CNN 源代码：matterport - github代码源于matterport的工作组，可以在github上fork它们组的工作。软件必备复现的Mask R-CNN是基于Python3，Keras，TensorFlow。Python 3.4+TensorFlow 1.3+Keras 2.0.8+Jupyter NotebookNu...
2018-01-19 14:42:10
36784
31
转载 图像处理笔试面试题
转载自：http://blog.csdn.net/xingchenbingbuyu/article/details/78784654 秋招各种笔试面试，总结下遇到的图像处理和C++的题目。写下来的都是能记起来的，记不起来的应该也有不少。大概让没有经历过的人知道会遇到什么样的问题，可以提前准备下。除了一下题目之外，最多的还是围绕着你做过的项目来问的。一、图像处理题目注意，一下所有需要
2018-01-19 13:12:45
1390
转载 caffe及faster-rcnn详细配置安装过程
【引子】2013年，来自微软的rbg大神发表了基于深度学习的detection方法：R-CNN。一年以后，大神单枪匹马又将自己之前的工作提升到了一个新的水平（fast R-CNN）。2015年，来自微软亚洲研究院的Shaoqing Ren，Kaiming He研究组在rbg的基础上，进一步地将该方法提升到了实时的水平（faster R-CNN），这也是我们今天的主题。值得说明的
2018-01-18 21:02:01
1917
转载 ubuntu16.04下，安装caffe+cuda8.0+Anaconda3+cudnn5.1（附各种错误解决）
转载自：http://blog.csdn.net/ying86615791/article/details/71194209所需文件及程序1,caffe2,cuda8.03,cudnn5.11,NIVIDA显卡驱动安装先禁用nouveau驱动：(本机只有独显，GTX780Ti，如果是独显+核显的可能不一样)先去 /etc/modprobe.d/blacklist.conf中最
2018-01-18 17:56:47
1551
转载 matterport Mask_RCNN配置
转载自：http://blog.csdn.net/wei_guo_xd/article/details/78579534环境：Ubuntu16.04+cuda8.0+cudnn6.0+Anaconda3.4.1.1+tensorflow1.4.1+keras2.1.3**注意**：（1）Mask Rcnn要求tensorflow1.3+，而如果需要使用cuDNN的话，tensorflow1
2018-01-16 15:53:34
2306
转载 RCNN目标检测系列算法
RCNN RCNN（Regions with CNN features）是将CNN方法应用到目标检测问题上的一个里程碑，由年轻有为的RBG大神提出，借助CNN良好的特征提取和分类性能，通过RegionProposal方法实现目标检测问题的转化。 算法可以分为四步： 1）候选区域选择 Region Proposal是一类传统的区域提取方法，可以看
2018-01-15 15:18:44
1633
转载 Mask-RCNN技术解析
一. Mask-RCNN 介绍 上篇文章介绍了 FCN，这篇文章引入个新的概念 Mask-RCNN，看着比较好理解哈，就是在 RCNN 的基础上添加 Mask。 Mask-RCNN 来自于年轻有为的 Kaiming 大神，通过在 Faster-RCNN 的基础上添加一个分支网络，在实现目标检测的同时，把目标像素分割出来。 论文下载：Mask R-CN
2018-01-14 21:04:09
1237
原创 Faster-Rcnn训练出现的问题
以下问题是在Ubuntu下用faster rcnn(caffe与matlab)训练时所遇到的，我的解决方法不见得对其他人都使用：1、错误使用 containers.Map/values，此容器中不存在指定的键。出错 roidb_from_voc>attach_proposals (line 172)gt_classes = class_to_id.values({voc_rec.objec
2017-12-27 22:18:02
5051
2
转载 Faster RCNN解析
在介绍Faster R-CNN之前，先来介绍一些前验知识，为Faster R-CNN做铺垫。一、基于Region Proposal（候选区域）的深度学习目标检测算法Region Proposal（候选区域），就是预先找出图中目标可能出现的位置，通过利用图像中的纹理、边缘、颜色等信息，保证在选取较少窗口（几千个甚至几百个）的情况下保持较高的召回率（IoU，Intersection-over-Union
2017-12-20 17:56:29
1240
转载 基于matlab的卷积神经网络(CNN)讲解及代码
经典反向传播算法公式详细推导 卷积神经网络(CNN)反向传播算法公式详细推导网上有很多关于CNN的教程讲解，在这里我们抛开长篇大论，只针对代码来谈。本文用的是matlab编写的deeplearning toolbox，包括NN、CNN、DBN、SAE、CAE。在这里我们感谢作者编写了这样一个简单易懂，适用于新手学习的代码。由于本文直接针对代码，这就要求读者有一定的CNN基础，可以参考Lecun的
2017-12-19 15:26:12
75427
52
转载 图像特征提取三大法宝：HOG特征，LBP特征，Haar特征
（一）HOG特征1、HOG特征：方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。需要提醒的是，HOG+SVM进行行人检测的方法是法国研究人员Dalal在2
2017-12-14 22:09:18
1587
原创 神经网络入门基础文章
1、神经网络基本原理介绍：（1）深度神经网络（DNN）模型与前向传播算法：http://www.cnblogs.com/pinard/p/6418668.html（2）深度神经网络（DNN）反向传播算法(BP)：http://www.cnblogs.com/pinard/p/6422831.html（3）深度神经网络（DNN）损失函数和激活函数的选择：http://
2017-12-13 18:06:59
478
转载 卷积神经网络CNN经典模型整理Lenet，Alexnet，Googlenet，VGG，Deep Residual Learning
转载自：http://blog.csdn.net/zhuiqiuk/article/details/72935081关于卷积神经网络CNN，网络和文献中有非常多的资料，我在工作/研究中也用了好一段时间各种常见的model了，就想着简单整理一下，以备查阅之需。如果读者是初接触CNN，建议可以先看一看“Deep Learning（深度学习）学习笔记整理系列”中关于CNN的介绍[1]，是介绍我们常说的Le
2017-12-13 17:58:05
472
转载 神经网络的激活函数
神经网络之激活函数(Activation Function)转载自：http://blog.csdn.net/cyh_24/article/details/50593400 本博客仅为作者记录笔记之用，不免有很多细节不对之处。 还望各位看官能够见谅，欢迎批评指正。 更多相关博客请猛戳：http://blog.csdn.net/cyh_24 如需转载，请附上本文链接：http://blog.
2017-12-12 20:29:05
659
转载 CNN 卷积神经网络结构
CNN转载自：http://blog.csdn.net/zhongkeli/article/details/51854619在介绍CNN网络之前，我们先介绍下卷积的含义：大家学习数学时都有学过卷积的知识，微积分中卷积的表达式为：S(t)=∫x(t−a)w(a)daS(t)=∫x(t−a)w(a)da离散形式是：s(t)=∑ax(t−a)w(a)s(t)=∑ax(t−a)w(a)这个式子
2017-12-12 15:20:37
935
原创 模式识别之特征提取算法
说明：此处暂时简单介绍下各种特征提取算法，后续完善。前言：模式识别中分类器进行分类识别时，判断的依据就是图像特征。最简单的你可以把整幅图像的像素矩阵作为图像特征进行训练和判断分类，但毕竟该特征太过简单并不是都适用，所以下面介绍一下各种分类器训练所需要特征的提取算法，如LBP、不变矩、小波矩。1、LBP特征提取算法答：LBP（Local Binary Patterns，局部二值模式）是提
2017-12-11 22:02:24
47710
1
原创 车牌识别系统概述
车牌识别系统总的来说，国内不管科研还是商用方面都很成熟了，基本处于世界先进甚至领先的水平。对于目前常见的收费站、红绿灯路口、学校、机关政府等进出口的固定环境车牌识别准确率基本都可以达到99.5%以上。车牌识别的主要步骤分为：车牌定位、字符分割、字符识别；（1）车牌定位：在车牌识别中是很关键的一步，尤其是对于图像背景较为复杂的情况下，要提高车牌定位准确率也不是件容易的事。车牌定位包括车牌
2017-12-03 22:36:02
5869
原创 图像处理与模式识别文章收集
深度学习识别与定位的应用：http://www.cnblogs.com/jianzhitanqiao/p/5550344.html
2017-10-26 14:07:25
1639
原创 Linux下的Makefile文件编写
1、Makefile文件的介绍答：在Linux下Makefile我们可以把理解为工程的编译规则。一个工程中源文件不计数，其按类型、功能、模块分别放在若干个目录中，Makefile定义了一系列的规则来指定，那些文件需要先编译，那些文件需要后编译，那些文件需要重新编译，甚至于进行更复杂的功能操作，因为Makefile就像一个shell脚本一样，其中也可执行操作系统的命令。Makefile带来的好处
2017-08-08 18:07:42
1750
1
原创 图像处理基础
第一章 概述第二章 数字图像基本知识1、 彩色图像、灰度图像、二值图像和索引图像区别？答：（1）彩色图像，每个像素通常是由红（R）、绿（G）、蓝（B）三个分量来表示的，分量介于（0，255）。M、N分别表示图像的行列数，三个M x N的二维矩阵分别表示各个像素的R、G、B三个颜色分量。RGB图像的数据类型一般为8位无符号整形，通常用于表示和存放真彩色图像，当然也可以
2017-07-26 22:19:35
111800
2
原创 数据库技术与并发（笔记）
数据库技术与并发1、数据库基本知识（1）主键与外键主键：数据表属性中可以唯一表示行数据的一个属性，比如学生信息表中的学号；外键：如果两个表的公共关键字在一个表中是主键，那么这个公共关键字被称为另一个表的外键。由此可见，外键表示了两个表之间的关联。以另一个表的外键作主键的表被称为主表，具有此外键的表被称为主表的从表。外键又称作外关键字。（2）SQL中的join语句
2017-07-11 10:18:59
843
原创 模式识别之分类器
机器学习1、SVM分类器答：SVM算法就是找一个超平面，并且它到离他最近的训练样本的距离要最大。即最优分割超平面最大化训练样本边界。如下图所示，就是将两种不同类别的样本特征分隔开，且分割面要在最优分隔位置：注意：1）两个虚线称为间隔边界，两个虚线间的距离Gap就称为分类间隔（margin），大小为2/||w||，||w||表示向量的二范数也就是该向量的模；例如，
2017-07-10 11:45:38
25465
2
原创 计算机网络（笔记）
计算机网络IP地址分类：Internet委员会定义了5种IP地址类型以适合不同容量的网络，即A类~E类。其中A、B、C3类（如下表格）由InternetNIC在全球范围内统一分配，D、E类为特殊地址：根据子网个数和网络类型求取子网掩码：1）、把子网数目从十进制转化为二进制数。例如需要6个子网，转换成2进制数为110；2）、统计得到的二进制位数N，根据上述可得N=3；
2017-07-10 11:29:49
5684
原创 常见算法实现（笔记）
算法牛客网编程题常见的编译错误：（1）常常有逻辑是对的，但是打印时没有输出结果的情况原因：一般是输入的测试数据有多组，但编写的程序中没有使用循环接收输入数据，直接收了一组测试数据造成的；（2）对于二叉树等类似题型，提示堆栈溢出，递归或循环超出范围的情况原因：一般是首次进入树序列时没有判断树的根节点是否为空；算法描述问题：答：描述算法的方法有多种，常用的有
2017-07-10 11:25:50
6801
原创 数据结构（笔记）
数据结构数据结构三要素分别是：逻辑结构、存储结构、数据的运算 1、线性表（1）定义：就是一个表，一个记录就是线性表的一个数据元素，表的长度就是数据元素的个数。（2）、 线性链表： 如上图，线性链表由一个个结点组成，每个节点有数据域和指针域两部分组成，数据域：本结点存储的数据信息；指针域：下一个结点的存储位置 线性链表不要求书写格式上连续，
2017-07-10 11:22:36
11081
原创 进程与线程的相关概念——同步、通信等
进程和线程的相关概念如同步、通信等概念之间经常搞混，这里做一下解释说明：首先解释下：进程与线程之间的关系（1）为什么有了进程后，还引入线程？答：简单说：由于进程独立占用资源，创建多进程需要的资源多且占用空间大，同时多进程切换也就更速度慢且复杂；而线程正是为了避免进程的这些缺陷而提出的，即：线程共享地址空间（进程资源），从而多线程占用资源少，多线程切换速度快且简单。（2）相互关系
2017-07-09 18:13:42
1420
原创 面试题（C++方向）
第一篇1、在函数内定义一个字符数组，用gets函数输入字符串的时候，如果输入越界，为什么程序会崩溃？答：因为gets无法截断数组越界部分，会将所有输入都写入内存，这样越界部分就可能覆盖其他内容，造成程序崩溃。2、C++中引用与指针的区别答：联系：引用是变量的别名，可以将引用看做操作受限的指针；区别：1） 指针是一个实体，而引用仅是个别名；2）引用只能在定义时必须初...
2017-07-06 10:34:07
33439
6
原创 C++的STL介绍
常见的STL容器介绍1、vector1）顺序赋值：使用v.push_back(value)，也可以使用v[i]=value赋值，但要注意数据越界问题；2）删除（注意：删除后依然保持顺序连通性，并不是被删下标处变为空）：①删除任意指定位置：v.erase(iter)（注：返回值所指数据为原数列的下一个数值），遍历时删除元素要注意迭代器失效问题；在遍历中使用erase(
2017-06-24 19:43:30
1155
原创 面试试题（C++方向）
1、C和C++的特点与区别？答：（1）C语言特点：1.作为一种面向过程的结构化语言，易于调试和维护；2.表现能力和处理能力极强，可以直接访问内存的物理地址；3.C语言实现了对硬件的编程操作，也适合于应用软件的开发；4.C语言还具有效率高，可移植性强等特点。（2）C++语言特点：1.在C语言的基础上进行扩充和完善，使C++兼容了C语言的面向过程特点，又成为了一种面向对象的程序设计语言...
2017-06-18 17:47:06
84160
9
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人