CharmsLUO的博客

目录前言1. Data Augmentation1.1 数据增强的作用2. 数据增强的手段3. 数据增强的代码3.1 代码3.2 结果前言最近写论文需要插入很多图片，为了蒙混过关，找了很多很多数据增强的手段，增强论文的丰富性，大家不要学我哈，反正我把技巧放这儿了！！！哈哈哈哈哈哈哈哈哈1. Data Augmentation1.1 数据增强的作用大家都知道在深度学习网络训练中，模型的样本越充足训练出来的网络模型泛化性越强，鲁棒性越高。最好的例子就是SSD对大目标效果很好，对小目标效果很差，但当

二值化图像图像二值化（ Image Binarization）就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程。全局阈值cv2.threshold(src, thresholdValue, maxVal, thresholdingTechnique)src:输入灰度图像数组。thresholdValue:提及用于对像素值进行分类的值。maxVal:如果像素值大于（有时小于）阈值，则给出的值。thresholdingTechnique:要应用的阈值类型

Zhang-Suen法Zhang-Suen法python代码Zhang-Suen法细化法（又称形态学骨架法）是通过对光条纹不断地进行腐蚀操作，剥离光条纹边界，得到单像素宽度的光条纹连通线（又称骨架）的形态学处理方法。该方法是通过细化技术，将光条纹区域的细化曲线作为光条纹中心线。 由于细化法是基于形态学的方法，只是对光条纹骨架进行提取，没有考虑到光条纹的横截面灰度分布特点。因此，细化法提取的光条纹中心线精度有限。另一方面，由于该方法需要大量时间来进行反复的细化操作，提取算法的运算速度被大大降低。细化的

阿里天池比赛——地表建筑物识别记录一下之前参加的阿里天池比赛，方便以后查看。策略：1.多模型训练2.多模型测试3.数据增强4.预训练/冻结训练5.迁移学习6.TTA7.后处理8.finetue阿里天池比赛我的代码连接链接：https://pan.baidu.com/s/1Bwvjflov0O1O6RBD898-5g提取码：fasf部分代码如下，想玩这个项目的可以看我的代码，里面包含所有代码、数据、技巧。#!/usr/bin/env python# coding: utf-

阿里天池比赛——食物声音识别最近写毕业论文无聊之余，再次参加阿里天池比赛，之前一直做CV,第一次尝试做语音识别，记录一下过程。策略：1.梅尔频谱和梅尔倒谱以及混合2.多模型测试想玩这个项目的同学可以查看连接：阿里天赐比赛我的代码连接链接：https://pan.baidu.com/s/1pX21kMX901O7QKcb-m-B6g提取码：fasf–来自百度网盘超级会员V5的分享# 基本库from audioop import mulfrom functools import lr

激光条纹中心提取——Steger法pythonStegerpython代码StegerSteger算法是目前使用最广泛的线结构光条纹中心提取算法之一，是由Steger在二十世纪末提出。Steger算法是基于Hessian矩阵（见式1-18）得到图像中光条纹的法线方向。图像中点的法线方向由该点的Hessian矩阵最大特征值的绝对值对应的特征向量给出，通过在法线方向上求极值点得到光条纹中心的亚像素位置。g(x,y)是二维高斯卷积核，用于突出光条的灰度分布特征。z(x,y)是以图像上的点(x,y)为中心，

激活函数：激活层的原理是在其他层的输出之后添加非线性激活函数，增加网络的非线性能力，提高神经网络拟合复杂函数的能力。激活函数的选择对神经网络的训练至关重要，常用的激活函数包括Sigmoid函数、Tanh函数、ReLU函数和LeakyReLU等。激活层模拟了生物神经系统的刺激过程，将非线性函数引入进来，从而更加有效地进行特征的表征。在卷积神经网络中的卷积层和全连接层，每一层的输出值在本质上都是输入神经元经过计算加权平均值的结果得到的。由于加权平均是线性运算，经过多个卷积层或全连接层的组合叠加，得到的函数依旧

学习目标：argparse.ArgumentParser()argparse是Python中的一个常用模块，和sys.argv()功能类似，主要用于编写命令行接口：对于程序所需要的参数，它可以进行正确的解析。另外，argparse还可以自动的生成help和 usage信息，当程序的参数无效时，它可以自动生成错误信息。参考连接:https://docs.python.org/zh-cn/3/library/argparse.html学习内容：首先来——————举个栗子以下代码是一个 Python 程.