<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[SweetWind1996的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/SweetWind1996</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; SweetWind1996]]></copyright><item><title><![CDATA[图像的形成]]></title><link>https://blog.youkuaiyun.com/SweetWind1996/article/details/127078234</link><guid>https://blog.youkuaiyun.com/SweetWind1996/article/details/127078234</guid><author>SweetWind1996</author><pubDate>Thu, 06 Oct 2022 09:57:02 +0800</pubDate><description><![CDATA[图像形成过程，从小孔成像开始]]></description><category></category></item><item><title><![CDATA[U-Net: Convolutional Networks for Biomedical Image Segmentation]]></title><link>https://blog.youkuaiyun.com/SweetWind1996/article/details/123908297</link><guid>https://blog.youkuaiyun.com/SweetWind1996/article/details/123908297</guid><author>SweetWind1996</author><pubDate>Sun, 10 Apr 2022 19:33:58 +0800</pubDate><description><![CDATA[U-Net是图像语义分割领域的经典著作，由Olaf Ronneberger于2015年在Medical Image Computing and Computer-Assisted Intervention (MICCAI)提出。Olaf Ronneberger的工作多与生物图像有关，继2015年后又使用U-Net网络发表了几项工作。根据Olaf Ronneberger对U-Net的重视程度，U-Net的有效性可见一斑。此后图像领域一系列基于U-Net结构的网络不断被提出，deeplab最新的deeplabv]]></description><category></category></item><item><title><![CDATA[High Precision Camera Calibration：Chapter 1 Introduction]]></title><link>https://blog.youkuaiyun.com/SweetWind1996/article/details/123538157</link><guid>https://blog.youkuaiyun.com/SweetWind1996/article/details/123538157</guid><author>SweetWind1996</author><pubDate>Sun, 27 Mar 2022 10:09:59 +0800</pubDate><description><![CDATA[IntroductionMotivationOutlineContribution
Motivation
顾名思义，大多数计算机视觉任务都涉及到成像设备。当成像设备为相机时，其执行的是从3D世界到2D图像的映射，确定映射参数的过程就叫做相机标定。该过程同样包括了对观测的成像过程的建模以及参数化。
早在计算机视觉社区解决建模和确定相机映射参数之前，常使用摄影测量来研究相机标定问题。摄影测量的过程复杂冗余，往往适用于照片。如今，数字图像传感器代替了传统的相机，同时也引入了比如数字化建模的问题。
另一方面，连续信]]></description><category></category></item><item><title><![CDATA[High Precision Camera Calibration：Abstract]]></title><link>https://blog.youkuaiyun.com/SweetWind1996/article/details/123537216</link><guid>https://blog.youkuaiyun.com/SweetWind1996/article/details/123537216</guid><author>SweetWind1996</author><pubDate>Wed, 16 Mar 2022 22:05:22 +0800</pubDate><description><![CDATA[High Precision Camera Calibration]]></description><category></category></item><item><title><![CDATA[尝试复现论文：RePr: Improved Training of Convolutional Filters]]></title><link>https://blog.youkuaiyun.com/SweetWind1996/article/details/102859980</link><guid>https://blog.youkuaiyun.com/SweetWind1996/article/details/102859980</guid><author>SweetWind1996</author><pubDate>Wed, 08 Jul 2020 08:51:00 +0800</pubDate><description><![CDATA[尝试复现RePr

我的复现地址：https://github.com/SweetWind1996/implementation-of-RePr

论文看了好几遍，也看了一些讨论，讨论在：https://www.reddit.com/r/MachineLearning/comments/ayh2hf/r_repr_improved_training_of_convolutional_filters...]]></description><category></category></item><item><title><![CDATA[学习pytorch中的TORCH.UTILS.DATA.SAMPLER]]></title><link>https://blog.youkuaiyun.com/SweetWind1996/article/details/105328385</link><guid>https://blog.youkuaiyun.com/SweetWind1996/article/details/105328385</guid><author>SweetWind1996</author><pubDate>Sun, 05 Apr 2020 21:00:18 +0800</pubDate><description><![CDATA[TORCH.UTILS.DATA.DATALOADER类的构造函数DataLoader中有一个参数sampler，其默认值为None。sampler参数和batch_sampler参数允许用户自己指定数据的加载顺序与采样方式。

torch.utils.data.Sampler类是所有samplers的基类。其实现了以下两个方法


    def __init__(self, data_sour...]]></description><category></category></item><item><title><![CDATA[Scale-wise Convolution for Image Restoration论文理解]]></title><link>https://blog.youkuaiyun.com/SweetWind1996/article/details/104669555</link><guid>https://blog.youkuaiyun.com/SweetWind1996/article/details/104669555</guid><author>SweetWind1996</author><pubDate>Thu, 05 Mar 2020 11:01:49 +0800</pubDate><description><![CDATA[这是一篇AAAI2020的文章，这篇论文的核心思想是根据尺度不变性（尺度的变化不会改变特征），在残差块中增加不同尺度的特征的融合。可以概括为：提取特征金字塔，尺度变换+特征融合，跳远连接，输出。

以论文中的图为例，具体操作可表述如下：



输入图像，经过卷积生成一个特征金字塔，该特征金字塔经过残差块生成一个新的特征金字塔（也可以通过多个残差块生成多个特征金字塔），最后再进行卷积。
	下方为一个...]]></description><category></category></item><item><title><![CDATA[Region-Adaptive Dense Network for Efficient Motion Deblurring论文笔记]]></title><link>https://blog.youkuaiyun.com/SweetWind1996/article/details/104573199</link><guid>https://blog.youkuaiyun.com/SweetWind1996/article/details/104573199</guid><author>SweetWind1996</author><pubDate>Sat, 29 Feb 2020 14:38:12 +0800</pubDate><description><![CDATA[这是一篇AAAI2020，关于去除运动模糊的论文，论文使用了可变形卷积(参考Dai, J.; Qi, H.; Xiong, Y.; Li, Y.; Zhang, G.; Hu, H.; and Wei, Y.2017. Deformable convolutional networks. In Proceedings of theIEEE international conference on c...]]></description><category></category></item><item><title><![CDATA[Deformable convolutional networks（可变形卷积）使用keras/tensorflow主要代码及注释]]></title><link>https://blog.youkuaiyun.com/SweetWind1996/article/details/104573635</link><guid>https://blog.youkuaiyun.com/SweetWind1996/article/details/104573635</guid><author>SweetWind1996</author><pubDate>Sat, 29 Feb 2020 14:12:43 +0800</pubDate><description><![CDATA[以下对Deformable convolutional networks（可变形卷积）keras/tensorflow主要的代码进行理解和注释

代码原地址：https://github.com/kastnerkyle/deform-conv

layers.py


from __future__ import absolute_import, division


import tensorf...]]></description><category></category></item><item><title><![CDATA[Deep Residual Learning for Image Recognition 论文笔记]]></title><link>https://blog.youkuaiyun.com/SweetWind1996/article/details/104531207</link><guid>https://blog.youkuaiyun.com/SweetWind1996/article/details/104531207</guid><author>SweetWind1996</author><pubDate>Thu, 27 Feb 2020 11:01:24 +0800</pubDate><description><![CDATA[虽然一直在使用残差网络，却一直没有读过原文，这次补上。]]></description><category></category></item><item><title><![CDATA[《深度营养》读书笔记]]></title><link>https://blog.youkuaiyun.com/SweetWind1996/article/details/104436158</link><guid>https://blog.youkuaiyun.com/SweetWind1996/article/details/104436158</guid><author>SweetWind1996</author><pubDate>Fri, 21 Feb 2020 22:20:01 +0800</pubDate><description><![CDATA[第一章




	世上最强大的天赋莫过于健康的基因
	
	
	在世界各地，成千上万的表观遗传学研究者搜集了大量的证据来告诉人们：大多数人的疾病并非源于遗传的基因突变，而是源于迫使正常基因表现糟糕的有害外部因素，这些外部因素可能驱使基因进行非正常的开启或关闭。正因为这样，曾经健康的基因可能会在某个时候表现得很糟糕。
	
	
	干扰基因运作的外力有两种：毒素和营养失衡。毒素是指我们可能食用、饮用或...]]></description><category></category></item><item><title><![CDATA[计算机视觉与人工智能——顶级会议介绍]]></title><link>https://blog.youkuaiyun.com/SweetWind1996/article/details/103810571</link><guid>https://blog.youkuaiyun.com/SweetWind1996/article/details/103810571</guid><author>SweetWind1996</author><pubDate>Thu, 02 Jan 2020 20:26:14 +0800</pubDate><description><![CDATA[本文会议包括、CVPR、ECCV、IJCAI、AAAI、ICML、NIPS

ICCV：International Conference on Computer Vision

CVPR：International Conference on Computer Vision and Pattern Recognition

ECCV：European Conference on Computer ...]]></description><category></category></item><item><title><![CDATA[TensorFlow2.0 TFrecord数据集的写入、读取和训练示例详解]]></title><link>https://blog.youkuaiyun.com/SweetWind1996/article/details/103361915</link><guid>https://blog.youkuaiyun.com/SweetWind1996/article/details/103361915</guid><author>SweetWind1996</author><pubDate>Tue, 03 Dec 2019 11:32:41 +0800</pubDate><description><![CDATA[本文的数据集是存放在两个文件夹：1和2，其中每个文件夹包含200张彩色图像。每张图像的大小为（32x32x3），均为.png。

关于TF2.0中TFrecord的一些基础内容请参考：TFRecord ：TensorFlow 数据集存储格式 

参考以上教程，我们设计输入和输出都为图像的端到端卷积网络。步骤如下：

准备数据
	将数据写入TFrecord文件
	读取TFrecord文件
	用Ker...]]></description><category></category></item><item><title><![CDATA[keras源码之utils目录]]></title><link>https://blog.youkuaiyun.com/SweetWind1996/article/details/91044379</link><guid>https://blog.youkuaiyun.com/SweetWind1996/article/details/91044379</guid><author>SweetWind1996</author><pubDate>Thu, 06 Jun 2019 17:11:21 +0800</pubDate><description><![CDATA[目录结构



主要记录其中的conv_utils.py。

conv_utils.py


def normalize_tuple(value, n, name):
    """Transforms a single int or iterable of ints into an int tuple.

    # Arguments
        value: The value t...]]></description><category></category></item><item><title><![CDATA[keras源码之backend库目录]]></title><link>https://blog.youkuaiyun.com/SweetWind1996/article/details/91040544</link><guid>https://blog.youkuaiyun.com/SweetWind1996/article/details/91040544</guid><author>SweetWind1996</author><pubDate>Thu, 06 Jun 2019 12:56:06 +0800</pubDate><description><![CDATA[backend库目录

先看common.py

一上来是一些说明


# the type of float to use throughout the session. 整个模块都是用浮点型数据
_FLOATX = 'float32' # 数据类型为32位浮点型
_EPSILON = 1e-7 # 很小的常数
_IMAGE_DATA_FORMAT = 'channels_last' # 图像...]]></description><category></category></item><item><title><![CDATA[keras源码之application目录]]></title><link>https://blog.youkuaiyun.com/SweetWind1996/article/details/91039310</link><guid>https://blog.youkuaiyun.com/SweetWind1996/article/details/91039310</guid><author>SweetWind1996</author><pubDate>Thu, 06 Jun 2019 10:37:46 +0800</pubDate><description><![CDATA[application目录

1. __pycache__目录

关于__pycache__目录请参考keras源码之__pycache__目录

2.__init__.py


import keras_applications

这里导入了keras_applications包，下面是这个包的结构，直接从文件目录打开:



里面包含了各种网络的实现模块（包括权重路径以及设置、网络结构等）。
...]]></description><category></category></item><item><title><![CDATA[keras源码之__pycache__目录]]></title><link>https://blog.youkuaiyun.com/SweetWind1996/article/details/91039157</link><guid>https://blog.youkuaiyun.com/SweetWind1996/article/details/91039157</guid><author>SweetWind1996</author><pubDate>Thu, 06 Jun 2019 09:48:55 +0800</pubDate><description><![CDATA[__pycache__目录

在python官方文档找到如下解释：

6.1.3. “编译过的”Python文件

为了加速模块载入，Python在__pycache__目录里缓存了每个模块的编译后版本，名称为module.version.pyc，其中名称中的版本字段对编译文件的格式进行编码； 它一般使用Python版本号。例如，在CPython版本3.3中，spam.py的编译版本将被缓...]]></description><category></category></item><item><title><![CDATA[通过双目标定计算空间三维点坐标]]></title><link>https://blog.youkuaiyun.com/SweetWind1996/article/details/90758028</link><guid>https://blog.youkuaiyun.com/SweetWind1996/article/details/90758028</guid><author>SweetWind1996</author><pubDate>Mon, 03 Jun 2019 20:29:20 +0800</pubDate><description><![CDATA[代码可以参考这篇博客：https://blog.youkuaiyun.com/qq_15947787/article/details/53366592

首先要明确的是，对于两台相机，空间中的物点必须是同一个，也就是说，两台相机位于同一个空间坐标系中。



我们规定左相机为主相机，通过标定获得左相机的相对于标记点的旋转矩阵和平移向量，接下来我们通过立体标定得到右相机相对于左相机的旋转矩阵和平移向量，这样就...]]></description><category></category></item><item><title><![CDATA[OpenCV3+VS2017+单目标定+双目标定+双目测距]]></title><link>https://blog.youkuaiyun.com/SweetWind1996/article/details/90415237</link><guid>https://blog.youkuaiyun.com/SweetWind1996/article/details/90415237</guid><author>SweetWind1996</author><pubDate>Tue, 21 May 2019 21:13:39 +0800</pubDate><description><![CDATA[理论知识请参考《学习OpenCV中文版》（公式，函数描述方面可能有错误注意一下，还有不要看《学习OpenCV3中文版》，可以看《Learning OpenCV3》英文原版，有少许错误注意一下）

下面直接上代码和结果：

说明：由于本人也是第一次接触摄像机，所以代码中注释比较多，也可能有错误，欢迎大家指出！

单目标定部分（矫正部分请自建文件夹）


/*
单目标定
参数：
	imageList	...]]></description><category></category></item><item><title><![CDATA[Baumer（堡盟）相机，用SDK读取指定量的图像（opencv2.4.9+vs2010）]]></title><link>https://blog.youkuaiyun.com/SweetWind1996/article/details/89670800</link><guid>https://blog.youkuaiyun.com/SweetWind1996/article/details/89670800</guid><author>SweetWind1996</author><pubDate>Mon, 29 Apr 2019 11:13:17 +0800</pubDate><description><![CDATA[安装完驱动和相关文件后，相机有自带的SDK和编程手册。（一般是有一张光盘）

先说一下大致流程：

 系统流程：
 ①系统列表：是否安装了对应的系统入口（Gige或USB）
  打开一个系统
 ②获取系统中的接口列表（I/O接口：Gige接口或者USB接口）
  打开接口
 ③获取连接在接口上的设备列表
  打开设备-&gt;需要打开相机...]]></description><category></category></item></channel></rss>