<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[YjmnDatabase的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/YjmnDatabase</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; YjmnDatabase]]></copyright><item><title><![CDATA[卷积神经网络详解及计算机视觉应用]]></title><link>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133190563</link><guid>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133190563</guid><author>YjmnDatabase</author><pubDate>Fri, 22 Sep 2023 23:29:16 +0800</pubDate><description><![CDATA[在训练阶段，我们可以使用带有标签的图像数据集对卷积神经网络进行训练，然后在测试阶段使用训练好的模型对新的图像进行分类。本文将详细介绍卷积神经网络的原理和实现，并提供相应的源代码。卷积神经网络可以通过在图像上滑动的窗口和不同尺度的卷积核来检测目标的位置，并输出目标的类别和位置信息。通过训练一个网络，使其学习如何将源图像的内容与目标图像的风格进行合成，可以实现图像风格转换。以上只是卷积神经网络在计算机视觉领域的一些应用示例，随着研究的不断深入和技术的发展，卷积神经网络在计算机视觉中的应用还将继续扩展和演进。]]></description><category></category></item><item><title><![CDATA[解决数据类别不平衡和长尾分布问题：半监督和自监督学习在计算机视觉中的应用]]></title><link>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133186739</link><guid>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133186739</guid><author>YjmnDatabase</author><pubDate>Fri, 22 Sep 2023 21:26:02 +0800</pubDate><description><![CDATA[在数据类别不平衡和长尾分布的情况下，往往存在大量的无标签数据，可以利用这些数据来提高模型在少数类别上的性能。自训练的基本思想是，使用已训练的模型对无标签数据进行预测，然后将预测结果作为伪标签，将这些伪标签与有标签数据一起用于模型的训练。这样，模型可以通过无标签数据的预测结果来学习更多关于少数类别的信息，从而提高在少数类别上的性能。然后，我们使用有标签数据对模型进行了初始训练。通过使用半监督学习的自训练方法，我们可以利用无标签数据来提高模型在少数类别上的性能，从而解决数据类别不平衡和长尾分布问题。]]></description><category></category></item><item><title><![CDATA[YOLOv8系列：引入SEAttention注意力机制进行计算机视觉]]></title><link>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133183105</link><guid>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133183105</guid><author>YjmnDatabase</author><pubDate>Fri, 22 Sep 2023 19:32:56 +0800</pubDate><description><![CDATA[YOLOv8是YOLO（You Only Look Once）目标检测系列的最新版本，它采用了一种单阶段的检测方法，将目标检测任务转化为一个回归问题。在上述代码中，我们定义了一个SEAttention模块，并将其应用于YOLOv8的网络结构中。在每个卷积层之后，我们通过SEAttention模块对特征图进行通道加权，以增强具有更重要信息的通道。值得注意的是，本文提供的示例代码仅用于说明如何在YOLOv8系列中添加SEAttention模块，并不代表完整的YOLOv8实现。SEAttention注意力机制。]]></description><category></category></item><item><title><![CDATA[VRX：将结构化视觉概念用作解释网络推理逻辑的视觉推理解释框架]]></title><link>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133181350</link><guid>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133181350</guid><author>YjmnDatabase</author><pubDate>Fri, 22 Sep 2023 18:38:56 +0800</pubDate><description><![CDATA[为了解决这个问题，研究人员提出了一种名为VRX（Visual Reasoning eXplanation）的视觉推理解释框架，该框架将结构化视觉概念用作解释网络推理逻辑的"语言"。然而，这些方法往往只能提供局部的、片段化的解释，而无法给出全局的、系统化的推理过程。通过构建Visual Proof Graph，VRX框架可以更好地理解神经网络的推理过程，并提供全局的、系统化的推理解释。例如，我们可以通过遍历VPG来解释网络的推理路径，或者使用VPG中的推理关系节点来分析不同概念之间的依赖关系。]]></description><category></category></item><item><title><![CDATA[如何在Yolov5中使用不同的IOU计算方法？]]></title><link>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133177619</link><guid>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133177619</guid><author>YjmnDatabase</author><pubDate>Fri, 22 Sep 2023 17:06:27 +0800</pubDate><description><![CDATA[如果你想使用alpha IOU计算方法，只需为Yolov5配置文件中的’iou_type’字段设置为’ciou’，并根据需要调整alpha参数的值。如果你想使用SIoU计算方法，只需在Yolov5配置文件中为’iou_type’字段设置为’siou’即可。要使用EIOU计算方法，只需要将Yolov5配置文件中的’iou_type’字段设置为’eiou’即可。除了上述配置之外，你还可以根据需要修改其他相关的参数，例如’max_delta’和’min_overlap’。]]></description><category></category></item><item><title><![CDATA[ISP Pipeline for HDR Computer Vision]]></title><link>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133174930</link><guid>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133174930</guid><author>YjmnDatabase</author><pubDate>Fri, 22 Sep 2023 16:09:04 +0800</pubDate><description><![CDATA[色调映射可以使用各种不同的算法来调整图像的对比度和亮度，以产生更好的视觉效果。ISP是一种用于图像传感器数据处理的技术，它包括了一系列的步骤，例如白平衡、色彩校正、图像增强等，以产生最终的图像输出。在HDR图像处理中，ISP管线也必须能够处理高动态范围的输入，并生成具有增强动态范围的图像。在上面的代码示例中，我们首先定义了几个用于不同处理步骤的函数，例如白平衡、色调映射和局部曝光调整。需要注意的是，上述代码示例中的函数仅用于演示目的，实际应用中可能需要根据具体的需求和图像特点进行适当的修改和优化。]]></description><category></category></item><item><title><![CDATA[“YOLO全系列模型解析|神经网络基础篇“]]></title><link>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133169643</link><guid>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133169643</guid><author>YjmnDatabase</author><pubDate>Fri, 22 Sep 2023 14:23:28 +0800</pubDate><description><![CDATA[YOLOv5在YOLOv4的基础上进行了进一步优化，最大的亮点是使用轻量化网络架构，使得模型可以在移动端实时运行。此外，YOLOv5还引入了Ultralytics自研的对象检测超参优化方法（Optimizing Object Detection）和自动混合精度训练（Automatic Mixed Precision Training），进一步提升了模型的性能。神经网络是一种由神经元和神经元之间的连接组成的图形化处理方式，其目的是模拟人类大脑的工作方式，实现复杂信息的处理和识别。]]></description><category></category></item><item><title><![CDATA[李飞飞团队创新提出的零样本泛化技术：突破性能限制，引领计算机视觉领域]]></title><link>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133169288</link><guid>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133169288</guid><author>YjmnDatabase</author><pubDate>Fri, 22 Sep 2023 14:15:32 +0800</pubDate><description><![CDATA[在训练过程中，生成器网络逐渐学习到各个类别的特征表示，并生成逼真的合成样本来自李飞飞团队的突破性零样本泛化技术在计算机视觉领域引起了广泛关注。零样本泛化是指在没有任何样本数据的情况下，通过学习从训练集中获取的属性和知识，将这些知识应用到未见过的类别或任务上。然而，李飞飞团队的零样本泛化技术通过学习到的属性和知识，可以在没有样本数据的情况下进行准确的分类和识别，从而实现了对未知类别的高效处理。通过不断迭代训练生成器和判别器，模型可以逐渐学习到各个类别的特征表示，并生成逼真的合成样本。]]></description><category></category></item><item><title><![CDATA[YOLOv5应用轻量级通用上采样算子CARAFE的特征融合方法]]></title><link>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133166629</link><guid>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133166629</guid><author>YjmnDatabase</author><pubDate>Fri, 22 Sep 2023 13:06:27 +0800</pubDate><description><![CDATA[以上代码定义了CARAFE算子的前向传播过程。首先，我们通过使用一个卷积层进行特征的压缩，将通道数扩大为原来的scale_factor的平方倍。最后，将压缩后的特征图与上采样后的特征图进行相加，得到最终的融合结果。CARAFE算子通过学习像素级的权重，能够有效地进行上采样操作，并在保持细节信息的同时提高特征的分辨率。在YOLOv5的网络结构中，我们将CARAFE算子插入到YOLOv5的neck部分之后。通过这种方式，CARAFE算子能够在特征融合过程中提供更加细致的特征信息，从而提高目标检测的性能。]]></description><category></category></item><item><title><![CDATA[改进YOLOv3：在C模块中引入注意力机制]]></title><link>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133164463</link><guid>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133164463</guid><author>YjmnDatabase</author><pubDate>Fri, 22 Sep 2023 11:56:26 +0800</pubDate><description><![CDATA[在本文中，我们将讨论如何改进YOLOv3算法，通过在C模块中引入注意力机制来提高检测性能。在改进的YOLOv3中，我们对C模块进行了修改，以引入注意力机制。注意力模块的输出与C模块的输出相乘，以增强C模块的表示能力。在我们的改进中，我们使用注意力机制来增强YOLOv3的感受野，使其能够更好地捕捉目标的上下文信息。通过在C模块中引入注意力机制，我们改进了YOLOv3算法，使其能够更好地捕捉目标的上下文信息。函数中，我们按照改进的结构连接了多个C模块，并最终将输出传递给自定义的输出层。]]></description><category></category></item><item><title><![CDATA[OpenCV：计算机视觉的强大库]]></title><link>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133159323</link><guid>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133159323</guid><author>YjmnDatabase</author><pubDate>Fri, 22 Sep 2023 10:07:02 +0800</pubDate><description><![CDATA[计算机视觉是人工智能和机器学习领域中的一个重要分支，它致力于让计算机能够理解和处理图像和视频数据。在计算机视觉的研究和应用中，OpenCV（Open Source Computer Vision Library）是一个广泛使用的开源库，它提供了丰富的功能和工具，可以帮助开发人员实现各种视觉任务。无论是在学术研究还是实际应用中，OpenCV都是一个强大而灵活的工具，为计算机视觉领域的开发人员提供了便利。需要注意的是，本文提供的示例代码仅仅是OpenCV功能的简单演示，实际应用中可能需要更复杂的处理和算法。]]></description><category></category></item><item><title><![CDATA[计算机视觉技术：5个最新趋势和应用]]></title><link>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133155728</link><guid>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133155728</guid><author>YjmnDatabase</author><pubDate>Fri, 22 Sep 2023 05:28:23 +0800</pubDate><description><![CDATA[最新的趋势包括基于深度学习的目标检测算法，如基于卷积神经网络（CNN）的方法，如YOLO（You Only Look Once）和Faster R-CNN（Region-based Convolutional Neural Networks）。最新的趋势包括基于深度学习的人脸识别算法，如基于卷积神经网络（CNN）的方法，如FaceNet和ArcFace。最新的趋势包括语义分割和实例分割。语义分割旨在将图像中的每个像素分类到不同的类别，而实例分割则是将每个像素分配给特定的实例。]]></description><category></category></item><item><title><![CDATA[CVPR2023最新注意力计算机视觉技术]]></title><link>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133154224</link><guid>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133154224</guid><author>YjmnDatabase</author><pubDate>Fri, 22 Sep 2023 01:09:33 +0800</pubDate><description><![CDATA[这些技术有助于提高图像处理任务的性能，可以通过在现有的视觉模型中集成它们来获得更好的结果。通过使用自注意力机制和多头注意力机制，可以更好地捕捉图像中的关键信息和细节，并提高图像处理任务的准确性和效果。计算机视觉领域一直在不断发展和创新，为了提高图像和视频处理任务的性能，研究人员和工程师们不断探索新的技术和方法。在CVPR2023会议上，最新的注意力计算机视觉技术引起了广泛关注。请注意，以上示例代码仅为演示目的，实际应用中可能需要根据具体的场景和任务进行适当的调整和修改。如有任何问题，请随时提问。]]></description><category></category></item><item><title><![CDATA[Python图像处理之小波变换]]></title><link>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133153658</link><guid>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133153658</guid><author>YjmnDatabase</author><pubDate>Fri, 22 Sep 2023 00:50:07 +0800</pubDate><description><![CDATA[小波变换（Wavelet Transform）是一种在信号和图像处理领域广泛建立起来的数学分析工具，它以多尺度分析为基础，能够在时频域上提供更准确的信息。在计算机视觉领域中，小波变换被广泛应用于图像的降噪、压缩、边缘检测等方面。本文将介绍如何使用Python进行图像的小波变换，并提供相应的源代码。通过Python的NumPy和OpenCV库，我们可以方便地实现图像的小波变换，并对结果进行可视化和后续处理。你可以根据需要使用不同的小波基函数（例如’db1’、'haar’等），并对结果进行进一步的处理和分析。]]></description><category></category></item><item><title><![CDATA[LSC（LensShading Correct 计算机视觉）：图像镜头阴影校正]]></title><link>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133150434</link><guid>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133150434</guid><author>YjmnDatabase</author><pubDate>Thu, 21 Sep 2023 22:07:43 +0800</pubDate><description><![CDATA[在计算机视觉中，镜头阴影校正是一项重要的预处理技术，用于消除由于镜头特性引起的图像阴影效应。其中，镜头阴影校正（LensShading Correct，简称LSC）是一种常见的图像预处理技术，用于消除图像中由于镜头特性引起的阴影效应。LSC算法的目标是校正图像中的镜头阴影效应，使图像的亮度分布更加均匀。该算法的基本思路是：通过对图像进行均衡化处理，使得图像的亮度分布接近于均匀分布。校正系数的计算可以基于每个区域的均值和整个图像的均值之间的比例关系。应用校正：使用计算得到的校正系数，对图像进行校正处理。]]></description><category></category></item><item><title><![CDATA[Python图像处理之小波变换]]></title><link>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133149165</link><guid>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133149165</guid><author>YjmnDatabase</author><pubDate>Thu, 21 Sep 2023 21:21:31 +0800</pubDate><description><![CDATA[在本文中，我们将探讨如何使用Python进行小波变换，并提供相应的源代码。在Python中，我们可以使用PyWavelets库来进行小波变换。现在，我们可以对小波系数进行处理。例如，我们可以对细节系数进行阈值处理，以去除噪声。在这里，我们将图像转换为灰度图像，以简化处理过程。这将返回一个包含小波系数的元组，其中第一个元素是逼近系数，后续元素是细节系数。这将创建一个包含两个子图的图像窗口，左侧显示原始图像，右侧显示处理后的图像。在这里，我们将重构的图像转换为无符号8位整数，以便正确显示图像。]]></description><category></category></item><item><title><![CDATA[YOLOv5改进系列：引入SimAM注意力机制提升计算机视觉]]></title><link>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133146122</link><guid>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133146122</guid><author>YjmnDatabase</author><pubDate>Thu, 21 Sep 2023 19:53:44 +0800</pubDate><description><![CDATA[计算机视觉领域一直在不断发展和改进，其中目标检测是一个重要的任务。SimAM是一种注意力机制，它能够帮助模型更好地关注重要的目标区域，从而提升目标检测的准确性和鲁棒性。SimAM的核心思想是通过计算目标区域与周围区域之间的相似度，来确定目标区域的重要性。总结起来，本文介绍了一种改进的YOLOv5算法，即引入SimAM注意力机制。通过计算目标区域与周围区域之间的相似度，并对目标区域进行注意力加权，我们能够提升目标检测算法的性能。该机制能够提升目标检测算法对重要目标区域的关注度，从而提高检测的准确性和鲁棒性。]]></description><category></category></item><item><title><![CDATA[计算机视觉中的目标检测方法]]></title><link>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133143245</link><guid>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133143245</guid><author>YjmnDatabase</author><pubDate>Thu, 21 Sep 2023 18:35:48 +0800</pubDate><description><![CDATA[目标检测是计算机视觉领域中一项重要的任务，它的目标是在图像或视频中准确地识别和定位出感兴趣的目标对象。在过去的几年里，深度学习方法在目标检测领域取得了显著的进展。SSD是另一种单阶段的目标检测方法，它在图像的多个尺度上进行特征提取，并使用不同大小的卷积核来预测不同尺度上的目标边界框和类别信息。SSD在准确性和速度之间取得了很好的平衡，尤其在小目标的检测上有一定的优势。以上是几种常见的目标检测方法及其相应的源代码示例。目标检测技术的不断发展和改进为计算机视觉在物体识别和场景理解等领域带来了巨大的进步。]]></description><category></category></item><item><title><![CDATA[YOLOv7改进主干系列：QARepNeXt结构的原创改进和美团提出的量化感知方法]]></title><link>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133140935</link><guid>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133140935</guid><author>YjmnDatabase</author><pubDate>Thu, 21 Sep 2023 17:36:27 +0800</pubDate><description><![CDATA[RepVGG作为一个轻量级的卷积神经网络，通过将卷积层分为两个子层，一个执行卷积操作，另一个执行恒等映射（identity mapping），并将二者相加，以实现网络的非常规宽度。此外，我们还应用了美团提出的量化感知方法，对QARepNeXt进行轻量化和加速优化，以进一步提高模型的效率。近年来，计算机视觉领域取得了长足的进步。最新研究中，结合最新的QARepVGG和Rep结构，我们提出了一种全新的主干网络结构QARepNeXt，旨在再一次让RepVGG变得更好，并采用了美团提出的一种量化感知方法。]]></description><category></category></item><item><title><![CDATA[自然抠图算法：贝叶斯抠图的经典示例]]></title><link>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133139391</link><guid>https://blog.youkuaiyun.com/YjmnDatabase/article/details/133139391</guid><author>YjmnDatabase</author><pubDate>Thu, 21 Sep 2023 17:04:07 +0800</pubDate><description><![CDATA[通过理解贝叶斯抠图算法的原理和使用相应的源代码示例，您可以在自己的项目中实现自然抠图的功能。贝叶斯抠图算法的基本思想是通过贝叶斯定理计算前景和背景的概率分布，并将图像中的每个像素点划分为前景或背景。算法的输入是包含前景对象的图像，输出是一个二值掩码，用于标识前景和背景像素。抠图是计算机视觉领域的一项重要任务，它可以将图像中的前景对象从背景中分离出来。在自然抠图算法中，贝叶斯抠图是一种经典的方法。以上代码是一个简化的示例，实际的贝叶斯抠图算法可能会包含更多的细节和优化。]]></description><category></category></item></channel></rss>