- 博客(6)
- 收藏
- 关注
RSS订阅原创 openmmlab AI实战营(十)
图像超分辨率：根据从低分辨率图像重构高分辨率图像。其目标为：提高图像分辨率，高分图像符合低分图像的内容，恢复图像的细节、产生真实的内容。可以应用到：图片修复，动画游戏等的高清重制，节约传输高清图像的带宽等。稀松编码：在训练阶段，使用已知高低分辨率图像学习高低分辨率字典，在推理阶段，将新的低分图像块在低分字典上进行稀疏分解，然后将低分基底替换为高分基底，系数不变，合成高分辨率图像块。SRCNN的单个卷积层具有的意义：第一层，提取图像块的低层次局部特征；第三层，组合邻域内的高层次特征，恢复高清图像。
2023-06-16 14:55:50
55
2
原创 openmmlab AI实战营(八)
语义分割就是将图像中按照物体的类别分割成不同的区域。等价于对每个像素进行分类。对无人驾驶的汽车来说是非常重要的。语义分割仅考虑像素的类别，不分割同一类的不同实体。实例分割，分割不同的物体，仅分割前景物体。全景分割，背景仅考虑类别，前景需要区分实体。基本思路，按颜色分割，逐像素分类。
2023-06-13 23:48:17
50
1
原创 openmmlab AI实战营(七)
mmdetection现已支持目标检测，实例分割，全景分割。它的特点是模块化设计，支持多种检测任务，速度快，性能高。模块化设计将检测框解耦成不同的模块组件。流程包括以下：1，数据集的准备和可视化2，自定义配置文件3，训练前考试化验证4，模型训练5，模型特色推理6，可视化分析。
2023-06-13 23:32:15
57
1
原创 openMMlab AI实战营(六)
图像分类通常只针对一种物体，且位于图像中央。目标检测，应用广泛。智慧城市的应用，自动驾驶。边界框紧密包含物体。滑窗算法成本高，效率低。特征图滑窗只计算一次卷积。用模型做密集预测，得到预测图，每个位置包含类别概率，编辑框回归的预测。基于框中心和边界，进行边界框解码。然后用非极大值抑制，去掉重叠框。
2023-06-08 22:41:48
69
1
原创 Openmmlab AI实战营 笔记(四)
深层网络有潜力到达更高精度，但常规的优化算法难以找到这个更优的模型，即让新增加的卷积层拟合一个近似恒等映射，恰好可以让浅层网络更好一点。残差结构拟合浅层网络和深层网络间的差异达到更好的效果。其中，1*1卷积用于压缩通道，降低计算开销。注意力机制，实现层次化特征。在注意力机制中，权重是输入的函数。
2023-06-06 14:19:48
53
原创 OpenMMLab AI实战营 笔记（一）
深度模型的直接回归坐标有些困难，精度不是最优解，热力图可以基于原始坐标关键点生成，作为训练网络的监督信息，网络预测的热力图也可以通过求极大值的方法得到关键点坐标。热力图的计算消耗大于直接回归。后面的有些听不懂，本科生小白。
2023-06-02 18:36:21
63
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人