<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[DIAJEY的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/DIAJEY</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; DIAJEY]]></copyright><item><title><![CDATA[《LF-YOLO》阅读笔记]]></title><link>https://blog.youkuaiyun.com/DIAJEY/article/details/121529372</link><guid>https://blog.youkuaiyun.com/DIAJEY/article/details/121529372</guid><author>DIAJEY</author><pubDate>Thu, 25 Nov 2021 08:25:23 +0800</pubDate><description><![CDATA[LF-YOLO
改进模块：RMF（多尺度改进模块），EFE（减少计算量）
• 提出了一种名为RMF 的新型多尺度融合模块。它可以通过同时使用基于参数和无参数的方法来结合 X 射线图像的局部和全局线索。
• 为了有效地学习表征，设计了一个新的 EFE 模块作为主干单元，它可以用很少的参数和低计算量提取有意义的特征。
Multi-scale feature utilization
​	现有的基于 CNN 的算法存在卷积特征在对象检测任务中对尺度敏感的问题。 许多方法试图通过利用多尺度特征使网络适应不同的尺度，我]]></description><category></category></item><item><title><![CDATA[YOLO V5 -- 学习笔记]]></title><link>https://blog.youkuaiyun.com/DIAJEY/article/details/115590448</link><guid>https://blog.youkuaiyun.com/DIAJEY/article/details/115590448</guid><author>DIAJEY</author><pubDate>Sun, 11 Apr 2021 12:57:45 +0800</pubDate><description><![CDATA[参考文章：深入浅出Yolo系列之Yolov5核心基础知识完整讲解 – 江大白*
参考视频教程：目标检测基础——YOLO系列模型（理论和代码复现）-- PULSE_
0.V4 &amp; V5
yolo v5和v4前后推出只有两个月，其实V5和V4都是V3推出后，根据V3的改进。因此严格来说算是两个版本的V4,两者的大体思路都比较相似，不同的地方主要是细节地方对于前沿技术的使用，各有其优点。V4的优点在于准确性更高。V5的优点是有四种深度宽度的模型，可以根据要检测的物体大小，项目量级来选择不同的模型，灵活性更]]></description><category></category></item><item><title><![CDATA[YOLO V4 -- 学习笔记]]></title><link>https://blog.youkuaiyun.com/DIAJEY/article/details/115581547</link><guid>https://blog.youkuaiyun.com/DIAJEY/article/details/115581547</guid><author>DIAJEY</author><pubDate>Sat, 10 Apr 2021 22:23:35 +0800</pubDate><description><![CDATA[参考文章：深入浅出Yolo系列之Yolov3&amp;Yolov4&amp;Yolov5核心基础知识完整讲解 – 江大白*
参考视频教程：目标检测基础——YOLO系列模型（理论和代码复现）-- PULSE_
YOLO V4主要创新

·输入端创新：Mosaic数据增强、cmBN、SAT自对抗训练
·BackBone(CNN)主干网络：CSPDarknet53、Mish激活函数、Dropblock
·Neck：在BackBone和最后的输出增之间加一些模块，如SPP模块，FPN+PAN结构
·Predicti]]></description><category></category></item><item><title><![CDATA[YOLO系列笔记 -- V1]]></title><link>https://blog.youkuaiyun.com/DIAJEY/article/details/115478381</link><guid>https://blog.youkuaiyun.com/DIAJEY/article/details/115478381</guid><author>DIAJEY</author><pubDate>Sat, 10 Apr 2021 09:33:53 +0800</pubDate><description><![CDATA[参考文章：
https://blog.youkuaiyun.com/qq_38232598/article/details/88695454

YOLO核心思想
·端到端：采用直接回归的思路，将目标定位和目标类别预测整合于单个神经网络模型中
·直接在输出层回归bbox的位置和所属类别 – 快！！！

1.将一幅图像分为SXS个网格，如果某个object的中心落在网格中(通过ground-truth框确定)，则对应网格就负责预测这个object
2.对于网络预测的Bounding box，除了回归自身位置外，还需要带一个]]></description><category></category></item><item><title><![CDATA[YOLO V3 -- 学习笔记]]></title><link>https://blog.youkuaiyun.com/DIAJEY/article/details/115557236</link><guid>https://blog.youkuaiyun.com/DIAJEY/article/details/115557236</guid><author>DIAJEY</author><pubDate>Fri, 09 Apr 2021 21:21:39 +0800</pubDate><description><![CDATA[参考文章： yolo系列之yolo v3【深度解析】-- 木盏
参考视频教程：目标检测基础——YOLO系列模型（理论和代码复现）-- PULSE_
改进点（对比V2）
1.分类网络(darknet-19) --&gt; darknet-53
darknet53结构中没有池化层和全连接层。因此在前向传播中，张量的尺寸变换通过改变卷积核的步长实现(如步长为2，即每次卷积后将图片边长缩小为原来的一般，因此V3的结果也是缩小到了原来的1/32)


darknet-53比起darknet-19虽然速度变慢了一些，但]]></description><category></category></item><item><title><![CDATA[YOLO V2 -- 学习笔记]]></title><link>https://blog.youkuaiyun.com/DIAJEY/article/details/115534092</link><guid>https://blog.youkuaiyun.com/DIAJEY/article/details/115534092</guid><author>DIAJEY</author><pubDate>Fri, 09 Apr 2021 13:34:58 +0800</pubDate><description><![CDATA[YOLO V2(YOLO 9000)
改进点（对比V1）
· 每个卷积层后增加BN（batch normalization–主要是在全连接层后将参数限定在范围内，保留更多有效参数信息），mAP增加了2%，并去除了Dropout
· 使用高分辨率的数据集在预训练的CNN上做微调,mAP提升了4%（图像中信息更多了）
· 不对（x,y,w,h）进行预测，而是预测于Anchor框的偏差(offset)，每个格点指定n个Anchor框，在训练时，最接近ground truth的框产生loss，其他不产生loss(直]]></description><category></category></item><item><title><![CDATA[《Surface Defect Saliency of Magnetic Tile》-- 阅读笔记]]></title><link>https://blog.youkuaiyun.com/DIAJEY/article/details/114327224</link><guid>https://blog.youkuaiyun.com/DIAJEY/article/details/114327224</guid><author>DIAJEY</author><pubDate>Wed, 03 Mar 2021 18:30:14 +0800</pubDate><description><![CDATA[论文信息

	该论文通过显著性检测模型检测磁瓦的表面缺陷，通过结合M-cue(多个维度整合形成显著性检测指标)+U-Net(深度学习网络结构训练)+PUSH（提高缺陷检测精度，使用边界框突出显示预测的缺陷）,
提出了一个名为MCuePushU的定制模型
	该模型总结了一组主导线索，然后通过图像算术将它们融合到深层神经网络U-Net中，最后嵌入Push网络以使用边界框突出显示预测的缺陷。
	实验表明，MCuePushU可以达到最先进的显着性能，并且可以满足实时检查过程的需求，其性能远远超过了本文测试的所有其他]]></description><category></category></item><item><title><![CDATA[《Image Deformation Using Moving Least Squares》-- 阅读笔记]]></title><link>https://blog.youkuaiyun.com/DIAJEY/article/details/114322764</link><guid>https://blog.youkuaiyun.com/DIAJEY/article/details/114322764</guid><author>DIAJEY</author><pubDate>Wed, 03 Mar 2021 18:01:16 +0800</pubDate><description><![CDATA[参考资料：
https://zhuanlan.zhihu.com/p/103212151
https://blog.youkuaiyun.com/hjimce/article/details/46550001
一.背景
《Surface Defect Saliency of Magnetic Tile》一文中提到过一种基于移动最小二乘图像变形的数据增强方法

该方法可以通过操纵少数点完成网格的变形，实现图像变形，可以生成更多的形状不同的缺陷图像，增大数据量。
二. 详细步骤






三.算法实现
具体讲仿射变换的变]]></description><category></category></item><item><title><![CDATA[《Defects Detection Based on Deep Learning and Transfer Learning》-- 阅读笔记]]></title><link>https://blog.youkuaiyun.com/DIAJEY/article/details/113618907</link><guid>https://blog.youkuaiyun.com/DIAJEY/article/details/113618907</guid><author>DIAJEY</author><pubDate>Wed, 03 Feb 2021 20:51:21 +0800</pubDate><description><![CDATA[论文信息

整体思路：
·无监督学习
			根据源域样本特征对其进行训练，以便根据源域样本获得网络的权重。然后，将源域DBN的结构和参数转移到目标域，
		并使用目标域样本对网络参数进行微调，以获取目标域训练样本与无缺陷模板之间的映射关系。最后，通过与重建图像进行比较来检测测试样品的缺陷。

优点：通过参数传递学习解决DBN网络训练中的过拟合问题。通过迁移学习，可以解决样本不够的问题，并且可以通过两种样本相互交叉传递，微调，不断提高准确率。
缺点：能检测相同位置的产品缺陷，而没有平移和旋转不变性。
·DBN]]></description><category></category></item><item><title><![CDATA[《Deep Active Learning for Civil Infrastructure Defect Detection and Classification》-- 阅读笔记]]></title><link>https://blog.youkuaiyun.com/DIAJEY/article/details/113558781</link><guid>https://blog.youkuaiyun.com/DIAJEY/article/details/113558781</guid><author>DIAJEY</author><pubDate>Tue, 02 Feb 2021 15:44:10 +0800</pubDate><description><![CDATA[论文信息

主要思路
·Active Learning：
先使用粗糙的系统实现二分类，将无缺陷的样本筛选出去，然后再将有缺陷的样本发送到人类专家中进行再标记，然后进行二次训练，不断循环，以改善系统性能
·ResNet网络：
为了提升分类性能，该论文使用多层的AL框架。较深的网络可能会遇到梯度消失问题，因此使用ResNet的带有残差单元的映射代替网络中的原始映射。
·加权损失函数：
由于无缺陷样本往往比有缺陷样本多得多，为了解决因为样本偏差而导致性能出现偏差，因此在交叉熵的基础上对于非缺陷patch部分加上权]]></description><category></category></item><item><title><![CDATA[《Automatic Metallic Surface Defect Detection and Recognition with Convolutional Neural Networks》学习笔记]]></title><link>https://blog.youkuaiyun.com/DIAJEY/article/details/113454593</link><guid>https://blog.youkuaiyun.com/DIAJEY/article/details/113454593</guid><author>DIAJEY</author><pubDate>Sun, 31 Jan 2021 10:14:31 +0800</pubDate><description><![CDATA[基于卷积神经网络的金属表面缺陷自动检测与识别：
·主要思想：
将缺陷检测与识别分类分开。首先通过级联自编码器(CASAE)分割和定位缺陷，生成预测Mask。然后扔进训练好的CNN网络进行分类
优点：
1.不错的鲁棒性和准确性
2.可以准确知道缺陷的位置和大小
大致架构：

·首先将输入的原始图像转换为基于CASAE的预测Mask。
·其次，阈值模块用于对预测结果进行二值化以获得准确的缺陷轮廓。
·第三，由缺陷区域检测器提取并裁剪被视为下一模块的输入的缺陷区域。
·最后，在分类模块中，这些缺陷区域通过紧凑的C]]></description><category></category></item><item><title><![CDATA[《一种基于无监督学习的纹理表面缺陷自动检测方法》-- 阅读笔记]]></title><link>https://blog.youkuaiyun.com/DIAJEY/article/details/113383827</link><guid>https://blog.youkuaiyun.com/DIAJEY/article/details/113383827</guid><author>DIAJEY</author><pubDate>Fri, 29 Jan 2021 14:56:42 +0800</pubDate><description><![CDATA[参考论文：《An Unsupervised-Learning-Based Approach for Automated Defect Inspection on Textured Surfaces》
整体思路
·使用无缺陷样本进行模型训练，无监督学习
·多尺度卷积降噪自编码器 + 高斯金字塔重建 完成训练
CDAE（卷积降噪自编码器）：
	重建输入图像块，并生成残差图以进行预测
高斯金字塔：
	分析和综合不同分辨率下的检查结果

实际优势
· 可以适用于表面纹理均匀或不规则的材料
· 不需要手机缺陷样本，可]]></description><category></category></item><item><title><![CDATA[迁移学习（Transfer Learning）-- 概念理解]]></title><link>https://blog.youkuaiyun.com/DIAJEY/article/details/113254779</link><guid>https://blog.youkuaiyun.com/DIAJEY/article/details/113254779</guid><author>DIAJEY</author><pubDate>Wed, 27 Jan 2021 16:56:27 +0800</pubDate><description><![CDATA[迁移学习（Transfer Learning）
迁移学习概述
背景
随着越来越多的机器学习应用场景的出现，而现有表现比较好的监督学习需要大量的标注数据，标注数据是一项枯燥无味且花费巨大的任务，所以迁移学习受到越来越多的关注。
传统机器学习(主要指监督学习)

基于同分布假设
需要大量标注数据

然而实际使用过程中不同数据集可能存在一些问题，比如

数据分布差异
标注数据过期
训练数据过期，也就是好不容易标定的数据要被丢弃，有些应用中数据是分布随着时间推移会有变化

如何充分利用之前标注好的数据（废物利用），]]></description><category></category></item><item><title><![CDATA[GoogleNet--Inseption模型理解与实现]]></title><link>https://blog.youkuaiyun.com/DIAJEY/article/details/113253905</link><guid>https://blog.youkuaiyun.com/DIAJEY/article/details/113253905</guid><author>DIAJEY</author><pubDate>Wed, 27 Jan 2021 16:55:27 +0800</pubDate><description><![CDATA[1、googleNet—Inception V1结构
googlenet的主要思想就是围绕这两个思路去做的：
（1）.深度，层数更深，文章采用了22层，为了避免上述提到的梯度消失问题，googlenet巧妙的在不同深度处增加了两个loss（辅助分类器）来保证梯度回传消失的现象。
（2）.宽度，增加了多种核 1x1，3x3，5x5，还有直接max pooling的 但是如果简单的将这些应用到feature map上的话，concat起来的feature map厚度将会很大，所以在googlenet中为了避免这]]></description><category></category></item><item><title><![CDATA[《Going Deeper with Convolutions》阅读笔记]]></title><link>https://blog.youkuaiyun.com/DIAJEY/article/details/113253438</link><guid>https://blog.youkuaiyun.com/DIAJEY/article/details/113253438</guid><author>DIAJEY</author><pubDate>Wed, 27 Jan 2021 16:47:29 +0800</pubDate><description><![CDATA[Going Deeper with Convolutions
Abstract
我们在ImageNet大规模视觉识别挑战赛2014（ILSVRC14）上提出了一种代号为Inception的深度卷积神经网络结构，并在分类和检测上取得了新的最好结果。这个架构的主要特点是提高了网络内部计算资源的利用率。通过精心的手工设计，我们在增加了网络深度和广度的同时保持了计算成本不变。为了优化质量，架构的设计以Hebbian和多尺度处理直觉为基础。我们在ILSVRC14提交中应用的一个特例被称为GoogLeNet，一个22层]]></description><category></category></item><item><title><![CDATA[《Visualizing and understanding convolutional networks》阅读笔记]]></title><link>https://blog.youkuaiyun.com/DIAJEY/article/details/113252846</link><guid>https://blog.youkuaiyun.com/DIAJEY/article/details/113252846</guid><author>DIAJEY</author><pubDate>Wed, 27 Jan 2021 16:40:57 +0800</pubDate><description><![CDATA[Visualizing and understanding convolutional networks
Absolution
​	大型卷积网络模型最近在ImageNet基准测试中证明了令人印象深刻的分类性能。但是，对于它们为什么表现如此出色或如何进行改进尚无明确的了解。本文介绍了一种可视化技术可深入了解中间要素层的功能以及分类器的操作。 在诊断角色中使用时，这些可视化使我们能够找到优于Krizhevsky等人的模型架构。 在ImageNet分类基准上。 我们还进行了消融研究，以发现不同模型层对性能的贡献。]]></description><category></category></item><item><title><![CDATA[《SDD-CNN: Small Data-Driven Convolution Neural》--翻译笔记]]></title><link>https://blog.youkuaiyun.com/DIAJEY/article/details/112919604</link><guid>https://blog.youkuaiyun.com/DIAJEY/article/details/112919604</guid><author>DIAJEY</author><pubDate>Thu, 21 Jan 2021 11:32:58 +0800</pubDate><description><![CDATA[文章信息：

摘要：
在实际工业中，轴承的缺陷通常会极其细微且出现概率低，因此导致大数据量和小数据量检测的分布差异较大。因此本文使用一种小数据驱动的缺陷检测方法。第一步，使用标签扩张应用于去解决类分布不均匀的问题。第二步，使用半监督的数据扩张方法去扩张数据集，第三步，使用四种CNN的变形网络应用于检测和分类（SqueezeNet v1.1, Inception v3,VGG-16, and ResNet-18）。经过对比，Inception v3 midel检测结果最好，达到99.56%。并且和原始的CNN]]></description><category></category></item><item><title><![CDATA[PYTHON爬虫学习(七) -- scrapy框架]]></title><link>https://blog.youkuaiyun.com/DIAJEY/article/details/110930576</link><guid>https://blog.youkuaiyun.com/DIAJEY/article/details/110930576</guid><author>DIAJEY</author><pubDate>Wed, 09 Dec 2020 21:02:17 +0800</pubDate><description><![CDATA[基本使用：
	-创建一个工程：scrapy startproject xxxxx
	-cd xxxxx
	- 在spiders子目录中创建一个爬虫文件
			- scrapy genspider spiderName www.xxx.com
	- 执行工程
			- scrapy crawl spiderName  
- 持久化存储：
	- 终端指令：
		要求：只可以将parse方法的返回值存储到本地的文本文件中
		注意：存储的文本文件类型只可以为：'json','jsonlines','jl','cs]]></description><category></category></item><item><title><![CDATA[PYTHON爬虫学习(六) -- selenium模块]]></title><link>https://blog.youkuaiyun.com/DIAJEY/article/details/110844902</link><guid>https://blog.youkuaiyun.com/DIAJEY/article/details/110844902</guid><author>DIAJEY</author><pubDate>Tue, 08 Dec 2020 11:49:21 +0800</pubDate><description><![CDATA[Selenium模块
selenium模块和爬虫之间有什么关联？
	- 便捷的获取网站中动态加载的数据
	- 便捷实现模拟登陆
什么是selenium模块？
	- 基于浏览器自动化的一个模块

selenium使用流程:
	- 环境安装: pip install selenium
	- 下载一个浏览器的驱动程序(谷歌)：
		- 下载路径：http://chromedriver.storage.googleapis.com/index.html
		- 驱动程序和浏览器版本的对应关系：http://blog]]></description><category></category></item><item><title><![CDATA[PYTHON爬虫学习(四) -- 验证码识别，模拟登陆]]></title><link>https://blog.youkuaiyun.com/DIAJEY/article/details/110733014</link><guid>https://blog.youkuaiyun.com/DIAJEY/article/details/110733014</guid><author>DIAJEY</author><pubDate>Mon, 07 Dec 2020 16:58:58 +0800</pubDate><description><![CDATA[验证码识别：
验证码反爬机制：识别验证验证码图片中的数据，用于模拟登录操作
识别验证码的操作(反反爬)：
-人工肉眼识别(不推荐)
-第三方自动识别
	-云打码(http://www.yundama.com/demo.html)(验证码类型全，但是要钱)

1.云打码的使用步骤
1.注册：普通和开发者用户
2.登录：
	--普通用户：查查还有没有分
	--开发者用户：
			--创建一个软件(我的软件--&gt;添加新软件--&gt;录入软件名称--&gt;提交)，完成后会拿到软件ID和密钥
			--下载]]></description><category></category></item></channel></rss>