<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[MIT_sword的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/MIT_sword</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; MIT_sword]]></copyright><item><title><![CDATA[目标检测、图像分割、图像分类、目标识别区别]]></title><link>https://blog.youkuaiyun.com/MIT_sword/article/details/102878715</link><guid>https://blog.youkuaiyun.com/MIT_sword/article/details/102878715</guid><author>MIT_sword</author><pubDate>Sun, 03 Nov 2019 01:31:41 +0800</pubDate><description><![CDATA[##图像分类（image classification）
图像分类：根据图像的主要内容进行分类。
数据集：MNIST, CIFAR, ImageNet
##目标检测（object detection）
给定一幅图像，只需要找到一类目标所在的矩形框
人脸检测：人脸为目标，框出一幅图片中所有人脸所在的位置，背景为非目标
汽车检测：汽车为目标、框出一幅图片中所有汽车所在的位置，背景为非目标
数据集：PA...]]></description><category></category></item><item><title><![CDATA[图像融合]]></title><link>https://blog.youkuaiyun.com/MIT_sword/article/details/102878635</link><guid>https://blog.youkuaiyun.com/MIT_sword/article/details/102878635</guid><author>MIT_sword</author><pubDate>Sun, 03 Nov 2019 01:15:43 +0800</pubDate><description><![CDATA[图像拼接是一种将同一场景的多个重叠图像拼接成较大图像的方法。它在医学成像，计算机视觉，卫星数据，军事目标自动识别等领域具有重要意义。图像拼接的输出是两个输入图像的并集。通常使用五个步骤：
特征提取：检测所有输入图像中的特征点以进行图像配准：建立图像之间的几何对应关系，以便在共同的参照系中对它们进行变换，比较和分析。它大致可分为以下几类
直接使用图像的像素值的算法，例如，相关方法
用于频域处理的算法...]]></description><category></category></item><item><title><![CDATA[C++野指针]]></title><link>https://blog.youkuaiyun.com/MIT_sword/article/details/102782676</link><guid>https://blog.youkuaiyun.com/MIT_sword/article/details/102782676</guid><author>MIT_sword</author><pubDate>Mon, 28 Oct 2019 15:56:43 +0800</pubDate><description><![CDATA[野指针，也就是指向不可用内存区域的指针。如果对野指针进行操作，将会使程序发生不可预知的错误，甚至可能直接引起崩溃。
野指针不是NULL指针，是指向“垃圾”内存的指针。人们一般不会错用NULL指针，因为用if语句很容易判断。但是野指针是很危险的，也具有很强的掩蔽性，if语句对它不起作用。
造成野指针的常见原因有三种：
1、指针变量没有被初始化。任何指针变量刚被创建时不会自动成为NULL指针。在Deb...]]></description><category></category></item><item><title><![CDATA[opencv环境搭建]]></title><link>https://blog.youkuaiyun.com/MIT_sword/article/details/102757157</link><guid>https://blog.youkuaiyun.com/MIT_sword/article/details/102757157</guid><author>MIT_sword</author><pubDate>Sat, 26 Oct 2019 15:27:55 +0800</pubDate><description><![CDATA[在qt上 .pro文件添加：
INCLUDEPATH += /usr/local/Cellar/opencv/4.1.2/include/opencv4/opencv2/
INCLUDEPATH += /usr/local/Cellar/opencv/4.1.2/include/
INCLUDEPATH += /usr/local/Cellar/opencv/4.1.2/include/openc...]]></description><category></category></item><item><title><![CDATA[python list常用操作]]></title><link>https://blog.youkuaiyun.com/MIT_sword/article/details/102649264</link><guid>https://blog.youkuaiyun.com/MIT_sword/article/details/102649264</guid><author>MIT_sword</author><pubDate>Sun, 20 Oct 2019 15:16:08 +0800</pubDate><description><![CDATA[python list常用操作
1.list 定义
li = [“a”, “b”, “mpilgrim”, “z”, “example”]
li
[‘a’, ‘b’, ‘mpilgrim’, ‘z’, ‘example’]
li[1]
‘b’
2.list 负数索引
li
[‘a’, ‘b’, ‘mpilgrim’, ‘z’, ‘example’]
li[-1]
‘example’
li[-3]
...]]></description><category></category></item><item><title><![CDATA[三维重建]]></title><link>https://blog.youkuaiyun.com/MIT_sword/article/details/102645886</link><guid>https://blog.youkuaiyun.com/MIT_sword/article/details/102645886</guid><author>MIT_sword</author><pubDate>Sun, 20 Oct 2019 09:14:59 +0800</pubDate><description><![CDATA[三维重建的步骤
（1） 图像获取：在进行图像处理之前，先要用摄像机获取三维物体的二维图像。光照条件、相机的几何特性等对后续的图像处理造成很大的影响。
（2）摄像机标定：通过摄像机标定来建立有效的成像模型，求解出摄像机的内外参数，这样就可以结合图像的匹配结果得到空间中的三维点坐标，从而达到进行三维重建的目的。
（3）特征提取：特征主要包括特征点、特征线和区域。大多数情况下都是以特征点为匹配基元，特征...]]></description><category></category></item><item><title><![CDATA[相机标定]]></title><link>https://blog.youkuaiyun.com/MIT_sword/article/details/102645814</link><guid>https://blog.youkuaiyun.com/MIT_sword/article/details/102645814</guid><author>MIT_sword</author><pubDate>Sun, 20 Oct 2019 09:01:58 +0800</pubDate><description><![CDATA[利用摄像机所拍摄到的图像来还原空间中的物体。在这里，不妨假设摄像机所拍摄到的图像与三维空间中的物体之间存在以下一种简单的线性关系：[像]=M[物],这里，矩阵M可以看成是摄像机成像的几何模型。 M中的参数就是摄像机参数。通常，这些参数是要通过实验与计算来得到的。这个求解参数的过程就称为摄像机标定。
相机标定方法有：传统相机标定法、主动视觉相机标定方法、相机自标定法。
传统相机标定法需要使用尺寸已知...]]></description><category></category></item><item><title><![CDATA[深度学习——是否收集更多的数据]]></title><link>https://blog.youkuaiyun.com/MIT_sword/article/details/102643826</link><guid>https://blog.youkuaiyun.com/MIT_sword/article/details/102643826</guid><author>MIT_sword</author><pubDate>Sat, 19 Oct 2019 22:08:30 +0800</pubDate><description><![CDATA[深度学习中决定是否收集更多的数据时可考虑如下：
1.建立第一个端到端的系统后，就可以度量算法的性能并决定如何改进算法
很多新手忍不住尝试很多不同的算法来改进
实际上，收集更多的数据往往比改进学习算法要有用的多
2.决定是否需要收集更多数据的标准：
首先：确定训练集上的性能可否接受。如果模型在训练集上的性能就很差，那么没必要收集更多的数据。
此时可以尝试增加更多的网络层
或者每层增加更多的隐单元从而...]]></description><category></category></item><item><title><![CDATA[深度学习——变量初始化]]></title><link>https://blog.youkuaiyun.com/MIT_sword/article/details/102588237</link><guid>https://blog.youkuaiyun.com/MIT_sword/article/details/102588237</guid><author>MIT_sword</author><pubDate>Wed, 16 Oct 2019 16:39:13 +0800</pubDate><description><![CDATA[权重一定不能全零初始化。因为这会导致神经元在前向传播中计算出同样的输出，然后在反向传播中计算出同样的梯度，从而进行同样的权重更新。这就产生了大量对称性神经元。
通常采用小随机数初始化，通过这样来打破对称性。至于使用高斯分布还是均匀分布，对结果影响很小。
之所以用小的随机数，是因为：如果网络中存在tanh 或者 sigmoid 激活函数，或者网络的输出层为sigmoid 等单元，则它们的变量值必须很...]]></description><category></category></item><item><title><![CDATA[深度学习数据预处理]]></title><link>https://blog.youkuaiyun.com/MIT_sword/article/details/102582598</link><guid>https://blog.youkuaiyun.com/MIT_sword/article/details/102582598</guid><author>MIT_sword</author><pubDate>Wed, 16 Oct 2019 11:34:55 +0800</pubDate><description><![CDATA[深度学习数据预处理
1.常见数据预处理方式：（红色的线指出各维度的数值范围）
data_process1
均值减法：对数据中每个独立特征减去均值，集合上理解为：在每个维度上，都将数据云的中心迁移到原点
归一化：将所有维度都做归一化：
第一种做法：先对数据做零中心化处理，然后每个维度都除以标准差
第二种做法：每个维度都做归一化，使得每个维度最大和最小值都是 1 和 -1
PCA 降维：取得数据的主成...]]></description><category></category></item><item><title><![CDATA[深度学习默认的基准模型]]></title><link>https://blog.youkuaiyun.com/MIT_sword/article/details/102579094</link><guid>https://blog.youkuaiyun.com/MIT_sword/article/details/102579094</guid><author>MIT_sword</author><pubDate>Wed, 16 Oct 2019 09:13:46 +0800</pubDate><description><![CDATA[深度学习的默认基准模型
1.根据问题的复杂性，项目开始时可能无需使用深度学习
如果只需要正确选择几个线性权重就能解决问题，那么项目开始可以使用一个简单的统计模型，如逻辑回归
2.如果问题属于 “AI-完全”类型的，如对象识别、语音识别等，那么项目开始于一个合适的深度学习模型，则效果会比较好
3.根据数据结构选择一类合适的模型：
如果是以固定大小的向量作为输入的有监督学习，那么可以使用全连接的前馈网...]]></description><category></category></item><item><title><![CDATA[C++signed 与unsigned理解]]></title><link>https://blog.youkuaiyun.com/MIT_sword/article/details/102536929</link><guid>https://blog.youkuaiyun.com/MIT_sword/article/details/102536929</guid><author>MIT_sword</author><pubDate>Sun, 13 Oct 2019 19:51:51 +0800</pubDate><description><![CDATA[signed意思为有符号的，也就是第一个位代表正负，剩余的代表大小，例如：signed int 大小区间为-128-127
unsigned意思为无符号的，所有的位都为大小，没有负数，例如：unsigned int 大小区间为：0-255
当然 默认为signed
如果想要明白singed与unsigned的区别，除了这两个基本知识，还需要了解整数在计算机中的存储方式，以16-bit 计算机为例，...]]></description><category></category></item><item><title><![CDATA[图像处理——灰度变换]]></title><link>https://blog.youkuaiyun.com/MIT_sword/article/details/102530278</link><guid>https://blog.youkuaiyun.com/MIT_sword/article/details/102530278</guid><author>MIT_sword</author><pubDate>Sun, 13 Oct 2019 10:38:36 +0800</pubDate><description><![CDATA[灰度变换是指根据某种目标条件按一定变换关系逐点改变源图像中每一个像素灰度值的方法。目的是为了改善画质，使图像的显示效果更加清晰。 图像的灰度变换处理是图像增强处理技术中的一种非常基础、直接的空间域图像处理方法，也是图像数字化软件和图像显示软件的一个重要组成部分。





...]]></description><category></category></item><item><title><![CDATA[tensorflow gpu和cpu使用]]></title><link>https://blog.youkuaiyun.com/MIT_sword/article/details/102471364</link><guid>https://blog.youkuaiyun.com/MIT_sword/article/details/102471364</guid><author>MIT_sword</author><pubDate>Wed, 09 Oct 2019 22:30:54 +0800</pubDate><description><![CDATA[在一套标准的系统上通常有多个计算设备. TensorFlow 支持 CPU 和 GPU 这两种设备. 我们用指定字符串 strings 来标识这些设备. 比如:
“/cpu:0”: 机器中的 CPU
“/gpu:0”: 机器中的 GPU, 如果你有一个的话.
“/gpu:1”: 机器中的第二个 GPU, 以此类推…
如果一个 TensorFlow 的 operation 中兼有 CPU 和 GPU...]]></description><category></category></item><item><title><![CDATA[深度学习性能度量]]></title><link>https://blog.youkuaiyun.com/MIT_sword/article/details/102450740</link><guid>https://blog.youkuaiyun.com/MIT_sword/article/details/102450740</guid><author>MIT_sword</author><pubDate>Wed, 09 Oct 2019 08:23:06 +0800</pubDate><description><![CDATA[深度学习性能度量
1.确定目标，即使用什么误差度量是第一步
因为误差度量将指导接下来的所有工作
同时我们也能够了解大概能得到什么级别的目标性能
2.对大多数应用而言，不可能实现绝对零误差
即使有无限的训练数据，并且恢复了真正的概率分布，但是由于输入特征可能无法包含输出变量的完整信息、或者系统本质上是个随机系统，则仍然产生了误差
当然实际上我们也不可能有无限的训练数据
3.通常我们需要收集更多的数据...]]></description><category></category></item><item><title><![CDATA[机器学习算法——极大似然估计]]></title><link>https://blog.youkuaiyun.com/MIT_sword/article/details/102362205</link><guid>https://blog.youkuaiyun.com/MIT_sword/article/details/102362205</guid><author>MIT_sword</author><pubDate>Tue, 08 Oct 2019 08:14:34 +0800</pubDate><description><![CDATA[极大似然估计：
1.若总体X为离散型，其概率分布列为
其中 为为未知参数。设 是取自总体的样本容量为n的样本，则 的联合分布律为 。又设 的一组观测值为 ，易知样本 取到观测值 的概率为
这一概率随 的取值而变化，它是 的函数，称 为样本的似然函数。
2.若总体X为连续型，其概率密度函数为 ，其中 为未知参数。设 是取自总体的样本容量为n的简单样本，则 的联合概率密度函数为 。又设 的一组观测值为...]]></description><category></category></item><item><title><![CDATA[TensorFlow常用激活函数及其特点和用法（6种）详解]]></title><link>https://blog.youkuaiyun.com/MIT_sword/article/details/102250530</link><guid>https://blog.youkuaiyun.com/MIT_sword/article/details/102250530</guid><author>MIT_sword</author><pubDate>Sun, 06 Oct 2019 20:33:48 +0800</pubDate><description><![CDATA[下面认识几种常见的激活函数：
1.阈值激活函数：这是最简单的激活函数。在这里，如果神经元的激活值大于零，那么神经元就会被激活；否则，它还是处于抑制状态。下面绘制阈值激活函数的图，随着神经元的激活值的改变在 TensorFlow 中实现阈值激活函数：

2.Sigmoid 激活函数：在这种情况下，神经元的输出由函数 g(x)=1/(1+exp(-x)) 确定。在 TensorFlow 中，方法是 t...]]></description><category></category></item><item><title><![CDATA[python小demo no.1]]></title><link>https://blog.youkuaiyun.com/MIT_sword/article/details/102240972</link><guid>https://blog.youkuaiyun.com/MIT_sword/article/details/102240972</guid><author>MIT_sword</author><pubDate>Sun, 06 Oct 2019 17:57:51 +0800</pubDate><description><![CDATA[1.生成日历
import calendar
yy = int(input("输入年份: "))
mm = int(input("输入月份: "))
print(calendar.month(yy,mm))
输出结果如下：
输入年份: 2015
输入月份: 6
June 2015
Mo Tu We Th Fr Sa Su
1  2  3  4  5  6  7
8  9 10 11 12 13 1...]]></description><category></category></item><item><title><![CDATA[tensorflow教程资料推荐，原创加精]]></title><link>https://blog.youkuaiyun.com/MIT_sword/article/details/102158875</link><guid>https://blog.youkuaiyun.com/MIT_sword/article/details/102158875</guid><author>MIT_sword</author><pubDate>Sat, 05 Oct 2019 17:25:17 +0800</pubDate><description><![CDATA[最近一直在使用tensorflow这款谷歌的深度学习框架，
基于谷歌的影响力，目前这个框架还是比较流行和受欢迎的。
但苦于谷歌的产品或者说是国外的一些框架的攻略文档过于简单，于是也在苦苦追求比较好的学习文档，以下是一些比较好的文档学习：

谷歌tensorflow官方文档，
有英文和中文社区，可以对一些基本概念比如张量，常量、变量和占位符的定义与使用，还有一些案例回归、cnn、rnn的写法，对于开...]]></description><category></category></item><item><title><![CDATA[机器学习算法——强化学习]]></title><link>https://blog.youkuaiyun.com/MIT_sword/article/details/102079288</link><guid>https://blog.youkuaiyun.com/MIT_sword/article/details/102079288</guid><author>MIT_sword</author><pubDate>Fri, 04 Oct 2019 16:39:48 +0800</pubDate><description><![CDATA[2016 年 3 月，谷歌公司 DeepMind 团队的 AlphaGo 以 4 比 1 战胜第 18 届世界围棋冠军李世石，这是一场具有历史意义的比赛。

图 1 围棋落子位置种类
让电脑学会下围棋是一件十分困难的事情，它有如图 1 所示这么多种可能的落子位置。在围棋中获胜不可能只靠简单的蛮力，它需要技巧、创造力，以及类似职业棋手的直觉。
通过融合深度强化学习网络和最先进的树搜索算法，Alpha...]]></description><category></category></item></channel></rss>