- 博客(10)
- 资源 (2)
- 问答 (1)
- 收藏
- 关注
RSS订阅
原创 一、c++上位机与WiFi小车通讯
基于51单片机WiFi视频机器小车c++上位机开发 1、首先，单片机、WiFi模块组装完毕后，请确保电脑可以连接小车的WiFi信号。2、建立c++ CRL项目。3、配置opencv2.4X，4、项目连接小车的WiFi视频地址，IP地址和端口 const string cameraAddress = "http://192.168.1.1:8080/?action=strea...
2015-12-23 15:11:20
7391
3
原创 最近邻分类器(Nearest Neighbor Classifier)
先从简单的方法开始说，先提一提最近邻分类器/Nearest Neighbor Classifier，不过事先申明，它和深度学习中的卷积神经网/Convolutional Neural Networks其实一点关系都没有，我们只是从基础到前沿一点一点推进，最近邻是图像识别一个相对简单和基础的实现方式。 1.1 CIFAR-10CIFAR-10是一个非常常用的图像分类数据集。数据集包含6000...
2018-09-29 08:07:34
4857
原创 RCNN介绍(演变过程)
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，可以看作不同宽高...
2018-09-28 15:32:57
2569
1
原创 卷积神经网络的训练过程
卷积神经网络的训练过程分为两个阶段。第一个阶段是数据由低层次向高层次传播的阶段，即前向传播阶段。另外一个阶段是，当前向传播得出的结果与预期不相符时，将误差从高层次向底层次进行传播训练的阶段，即反向传播阶段。训练过程如图4-1所示。训练过程为：1、网络进行权值的初始化；2、输入数据经过卷积层、下采样层、全连接层的向前传播得到输出值；3、求出网络的输出值与目标值之间的误差；4、当...
2018-09-28 14:51:05
42663
4
转载 CNN卷积神经网络全面生动解读-深度学习笔记
CNN卷积神经网络全面生动解读-深度学习笔记 一、前言卷积神经网络的产生是为了解决深层神经网络参数多训练难的问题，并获得更好的分类效果。我们知道在深度学习出现之前，传统神经网络当层数变多时，反向传播将会变得困难，且对于一些高维的输入往往需要大量的参数，因此复杂神经网络的训练成了急需解决的问题。同时，由于全连接网络提取的前一层的全部信息，整体特征拟合能力较低，且易于过拟合于局部样本。...
2018-09-28 14:17:18
339
转载 卷积神经网络CNN总结
从神经网络到卷积神经网络（CNN）我们知道神经网络的结构是这样的：那卷积神经网络跟它是什么关系呢？其实卷积神经网络依旧是层级网络，只是层的功能和形式做了变化，可以说是传统神经网络的一个改进。比如下图中就多了许多传统神经网络没有的层次。 卷积神经网络的层级结构 • 数据输入层/ Input layer • 卷积计算层/ CONV layer • ReLU激励...
2018-09-28 07:26:40
391
原创 图像特征提取：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Da...
2018-09-27 20:56:07
345
转载 图像的上采样（upsampling）与下采样（subsampled）
参考：http://blog.csdn.net/majinlei121/article/details/46742339http://blog.csdn.net/augusdi/article/details/9028365 缩小图像（或称为下采样（subsampled）或降采样（downsampled））的主要目的有两个：1、使得图像符合显示区域的大小；2、生成对...
2018-09-27 19:33:13
2822
原创 SIFT特征详解
SIFT概述SIFT的全称是Scale Invariant Feature Transform，尺度不变特征变换，由加拿大教授David G.Lowe提出的。SIFT特征对旋转、尺度缩放、亮度变化等保持不变性，是一种非常稳定的局部特征。1.1 SIFT算法具的特点图像的局部特征，对旋转、尺度缩放、亮度变化保持不变，对视角变化、仿射变换、噪声也保持一定程度的稳定性。 独特性好，信息量丰...
2018-09-27 08:51:53
1591
百度开放云BRF java代码
2015-10-23
TA创建的收藏夹 TA关注的收藏夹
TA关注的人