自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(6)
  • 收藏
  • 关注

原创 SIFT 尺度不变特征转换:计算机视觉的经典特征提取算法

尺度空间通过高斯核与图像的卷积生成。高斯核的参数 σ(标准差)是 “尺度” 的量化体现,σ 越大,图像越模糊(对应 “远看” 的大尺度);σ 越小,图像越清晰(对应 “近看” 的小尺度)。公式上,尺度空间表示为:\(L(x,y,\sigma) = G(x,y,\sigma) * I(x,y)\)其中,\(G(x,y,\sigma)\)是高斯核,\(I(x,y)\)是原始图像,表示卷积操作。

2025-11-07 16:05:55 710

原创 深入解析 LBP 算法

LBP 算法从最初简单的 3×3 邻域编码,发展出圆形 LBP、旋转不变 LBP、等价模式 LBP 等一系列衍生技术,形成了一套完整的纹理特征提取体系。其核心思想的简洁性与衍生算法的创新性,使其在计算机视觉领域始终占据重要地位。无论是在消费电子的人脸解锁、工业领域的产品质检,还是在科研领域的图像分析中,LBP 算法都以其独特的优势发挥着关键作用。随着深度学习的发展,LBP 也在不断与卷积神经网络等技术融合,持续拓展其应用边界,未来仍将是纹理特征提取领域的重要研究方向。

2025-11-06 15:18:24 1004

原创 讲解方向梯度直方图(HOG)

HOG(方向梯度直方图)是计算机视觉中经典的特征描述符,核心是通过统计图像局部区域的梯度方向分布,将物体的轮廓和形状特征转化为可量化的向量,以便计算机进行目标检测、识别等任务。

2025-11-05 21:12:38 1404

原创 深度学习中的分类算法:原理、实践与展望

A:过拟合指模型过度贴合训练数据的噪声与细节,导致在新数据上表现差。缓解方法包括:增加训练数据量、添加 dropout 层(训练时随机 “关闭” 部分节点,避免过度依赖特定特征)、使用 L1/L2 正则化(对权重大小施加惩罚,防止权重过大)。

2025-10-23 09:34:09 1036

原创 模型分类的数据处理阶段

GloVe 是常用的预训练词向量,可将文本中的单词转换为固定维度的向量,捕捉单词的语义信息。整个流程从原始数据下载开始,经过解析、预处理、格式转换,最终得到可直接用于模型训练的结构化数据(标注好的文本数据集)和语义特征(预训练词向量),为后续的情感分析模型(如 LSTM、CNN)搭建了完整的数据输入管道。为适配文本处理需求,添加特殊符号<unk>(表示未知词)和<pad>(用于填充以统一文本长度)的词向量,<unk>的词向量为随机生成的 100 维向量,<pad>的词向量为全 0 的 100 维向量。

2025-10-19 16:30:43 675

原创 朴素贝叶斯算法讲解

该模型的核心思路是,假设每个类别下的各连续特征,都分别服从一个特定的高斯分布,而分布的关键参数(均值和方差)则完全通过训练数据中的样本信息来估算。关键在于:对同一待分类样本,P(X)的值是固定的(它不随类别c变化),因此比较不同类别的后验概率大小时,无需计算分母P(X),只需比较分子P(X|Y=c)・P(Y=c)的大小即可。朴素贝叶斯算法的核心思路是借助特征概率来进行分类预测,也就是说,对于给定的待分类样本,要计算在该样本出现的情况下各个类别出现的概率,哪个概率最大,就判定这个待分类样本属于哪个类别。

2025-09-29 17:08:14 866

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

提示
确定要删除当前文章?
取消 删除