haoji007的博客

重要提示：各位安装目录和授权文件存放目录一定不要有中文！！！！！软件下载地址链接：https://pan.baidu.com/s/1PkwCw1xsAfLmaCOCoSr0mg提取码：qlu8首先，软件下载后，里面包含了很多的文件（其中的“license.lic我们是不用的，用压缩包里的license5.3.lic文件”）：接下来，我们点击“IDL_ENVI53SP1win64.exe“ 开始安装。在接下来弹出的是否拥有管理员页面时，选择“是”，进行下一步：软件..

前言​在之前的一篇文章中，介绍了高光谱图像的特点和表达形式。高光谱图像最突出的一个特点拥有大量光谱波段，使得图像堆叠成一个超立方体。由于最近研究需要，想可视化展示HSI图像的3D立方体。于是，搜索了一些资料，展开了工作。以下是绘制的两种方式。一、使用python​这种方法很简单，几行代码就可以搞定，废话不多说，直接上代码。​需要的环境：spectral，ipython，matplotlibimport osimport scipy.io as siofrom spectral i

一、引言在机器学习模型中，需要人工选择的参数称为超参数。比如随机森林中决策树的个数，人工神经网络模型中隐藏层层数和每层的节点个数，正则项中常数大小等等，他们都需要事先指定。超参数选择不恰当，就会出现欠拟合或者过拟合的问题。而在选择超参数的时候，有两个途径，一个是凭经验微调，另一个就是选择不同大小的参数，带入模型中，挑选表现最好的参数。微调的一种方法是手工调制超参数，直到找到一个好的超参数组合，这么做的话会非常冗长，你也可能没有时间探索多种组合，所以可以使用Scikit-Learn的GridSearc.

本人计算机小白一枚，将自己学到的知识点整理出来，一方面是对自己学习的小总结，另一方面是欢迎大家批评指正。如果觉得写得还可以，大家可以转发关注此博客，谢谢！后续会有新算法持续更新~.一.混淆矩阵（一）.简介在人工智能中，混淆矩阵（confusion matrix）是可视化工具，特别用于监督学习，在无监督学习一般叫做匹配矩阵。在图像精度评价中，主要用于比较分类结果和实际测得值，可以把分类结果的精度显示在一个混淆矩阵里面。混淆矩阵是通过将每个实测像元的位置和分类与分类图像中的相应位置和分类像比较计算的.

进入官方网页 http://www.vlfeat.org/1、下载vlfeat安装包， 2、安装，将下载的安装包放到某一个可以存放的位置，注意不能删除 3、在matlab的命令窗口中，运行vl_setup命令 程序如下：run('D:\matlab\vlfeat-0.9.21\toolbox/vl_setup') 4、检查是否安装成功vl_version verbose...

Hughes现象是指在高光谱分析中过程中，随着参与运算波段数目的增加，分类精度“先增后降”的现象。与多光谱相比，高光谱图像的一个显著特点就是它的波段数目远远大于多光谱图像，因而可以提供更为丰富的细节信息，可以解决许多在多光谱中不能解决的目标探查和分类问题，但是由于Hughes现象的存在，使得高光谱图像的实际应用受到限制。由于多光谱图像的维数较少，训练样本的数目相对于特征空间的维数有较大的比...

超像素（SuperPixel），就是把原本多个像素点，组合成一个大的像素。比如，原本的图片有二十多万个像素，用超像素处理之后，就只有几千个像素了。后面做直方图等处理就会方便许多。经常作为图像处理的预处理步骤。在超像素算法方面，SLIC Superpixels Compared to State-of-the-art Superpixel Methods这篇论文非常经典。论文中从算法效率，内...

博主最近用vlfeat库做课题，网上搜索使用方法，一大片都会告诉你说：run(/vl_setup) 然后就好啦哈哈哈哈哈哈~~~~~~~~~~~~~~But!理想很丰满，现实很骨感，当博主在官网下载了vlfeat并按照如下操作之后：MATLAB却出现了如下错误：Invalid MEX-file 'D:\codingtool\library\vlfeat\toolbox\mex\me...

前述最近在看显著性检测，发现很多算法的基础是超像素分割，而正在看的Saliency Optimization from Robust Background Detection算法的预处理是SLIC算法，于是便找了SLIC算法的论文进行学习，在学习过程中也顺便翻译了论文:http://blog.youkuaiyun.com/zhj_matlab/article/details/52973723。论文也给出了...

一.python中的slic函数 def slic(image, n_segments=100, compactness=10., max_iter=10, sigma=0, spacing=None, multichannel=True, convert2lab=None, enforce_connectivity=True, min_size_fac...

目录 一、什么是超像素？ 二、超像素具有哪些特点？ 三、Simple Linear Iterative Clustering (SLIC)算法实现步骤 四、SLIC算法代码实现 五、效果展示和分析 六、基于超像素的边缘检测代码 七、基于超像素的边缘检测效果展示与分析 八、思维扩展 参考资料 注意事项 一、什么是超像素？  超像素概念是2003...

简介：最近项目使用到了超像素分割，因此顺道研究了以下SLIC这一算法。超像素分割这类low-level vision问题已经在CVPR，ICCV这种顶级会议上逐渐销声匿迹，越来越流行的learning method渐渐占据了这些顶级会议90%的篇幅。本文讲解的SLIC是2010年提出的一种十分简单的超分辨分割算法，原理简单、便于实现。一.SLIC(simple linear iter...

SLIC超像素分割详解（一）：简介超像素概念是2003年Xiaofeng Ren提出和发展起来的图像分割技术，是指具有相似纹理、颜色、亮度等特征的相邻像素构成的有一定视觉意义的不规则像素块。它利用像素之间特征的相似性将像素分组,用少量的超像素代替大量的像素来表达图片特征,很大程度上降低了图像后处理的复杂度，所以通常作为分割算法的预处理步骤。已经广泛用于图像分割、姿势估计、目标跟踪、目标识别等计...

原文链接：http://www.cnblogs.com/sandy-t/p/7474686.html本文主要分为三个部分：图像的语义分割问题是什么分割方法的概述对语义分割方面有代表性的论文的总结什么是图像的语义分割？在计算机视觉领域，分割、检测、识别、跟踪这几个问题是紧密相连的。不同于传统的基于灰度、颜色、纹理和形状等特征的图像分割问题，图像语义分割是从像素级理解图像，需要...

http://www.sohu.com/a/155907339_610300图像语义分割就是机器自动从图像中分割出对象区域，并识别其中的内容。量子位今天推荐的这篇文章，回顾了深度学习在图像语义分割中的发展历程。发布这篇文章的Qure.ai，是一家用深度学习来读取医学影像的公司，他们在官方博客上梳理了语义分割中的深度学习方法。他们希望通过这份介绍，能让大家了解这个已经在自然图像处...

Hughes现象Hughes现象是指在高光谱分析中过程中，随着参与运算波段数目的增加，分类精度“先增后降”的现象。与多光谱相比，高光谱图像的一个显著特点就是它的波段数目远远大于多光谱图像，因而可以提供更为丰富的细节信息，可以解决许多在多光谱中不能解决的目标探查和分类问题，但是由于Hughes现象的存在，使得高光谱图像的实际应用受到限制。由于多光谱图像的维数较少，训练样本的数目相对于...

医学图像分割--U-Net: Convolutional Networks for Biomedical Image Segmentation原创 2017年06月15日 15:16:15U-Net: Convolutional Networks for Biomedical Image Segmentation https://arxiv.org/

 版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.youkuaiyun.com/u012759136/article/details/52434826前言(呕血制作啊！)前几天刚好做了个图像语义分割的汇报，把最近看的论文和一些想法讲了一下。所以今天就把它总结成文章啦，方便大家一起讨论讨论。本文只是展示了一些比较经典和自己觉得比较不错的结构，毕竟这方面还是有挺多的结构...

论文题目：Automatic Portrait Segmentation for Image Stylization论文链接：论文链接代码链接：代码链接一、人像分割基础知识1. 人像分割是什么？简单来讲，所谓的人像分割就是将输入的包含人像的图片中属于人像的像素点分割出来，输入的是一张包含人像的彩色图片；输出是一张二值图片，属于人像的像素点用白色表示，不属于人像的像素点用黑色表示。具体的效...

细粒度识别目标检测Bottom-up Object Detection by Grouping Extreme and Center Points；论文链接；代码链接；Scale-Aware Trident Networks for Object Detection；论文链接；Region Proposal by Guided Anchoring；论文链接；AdaScale: T...

论文题目：Mask R-CNN论文链接：论文链接论文代码：Facebook代码链接；Tensorflow版本代码链接；Keras and TensorFlow版本代码链接；MxNet版本代码链接一、Mask R-CNN是什么，可以做哪些任务？图1 Mask R-CNN整体架构Mask R-CNN是一个实例分割（Instance segmentation）算法，可以...

clc,close all;file_path='pictures/';image_name1='t1.jpg'; ref = imread(strcat(file_path,image_name1)); [rows,cols,depth] = size(ref);figure;set (gcf,'Position',[100,100,cols,rows]);imshow...

https://blog.youkuaiyun.com/edogawachia/article/details/88674649Going Deeper with Contextual CNN for Hyperspectral Image Classification2017年TIP的文章。本文主要是提出了一种新的网络模型，深度更深，并且加上了googlenet的那种同一个层中多个scale（k...

https://blog.youkuaiyun.com/edogawachia/article/details/88663482Exploring Hierarchical Convolutional Features for Hyperspectral Image Classification2018.11月的TGRS文章。本文的基本任务是学习出一个特征，从而可以结合谱特征和deep net...

t-SNE实践——sklearn教程t-SNE是一种集降维与可视化于一体的技术，它是基于SNE可视化的改进，解决了SNE在可视化后样本分布拥挤、边界不明显的特点，是目前最好的降维可视化手段。关于t-SNE的历史和原理详见从SNE到t-SNE再到LargeVis。代码见下面例一TSNE的参数函数参数表：parameters 描述 n_components...

图像语义分割之特征整合和结构预测置顶 2017年03月01日 23:06:33 阅读数：3209 标签： 深度学习特征整合crf 更多个人分类： 深度学习深度学习理论版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.youkuaiyun.com/u012759136/article/details/59115476前言近来阅读了PASCAL VOC 2012排...

转载请注明出处: http://xiahouzuoxin.github.io/notes/html/深度卷积网络CNN与图像语义分割.html级别1：DL快速上手级别2：从Caffe着手实践级别3：读paper，网络Train起来级别4：Demo跑起来读一些源码玩玩熟悉Caffe接口，写Demo这是硬功夫分析各层Layer输出特征级别5：何不自己搭个CNN玩玩Train CNN时关于数据集的一些注...

网络名作者父辈生辰简述增加的结构丢弃的结构优势劣势Caffe实现Tensorflow实现VGG16 FCN的灵感来源        FCNJ.LongVGG162014图像分割鼻祖一个Deconv层(从无到有)所有fc层简单粗糙  DeconvNetH.NohFCN2015 Unpooling层（从无到有）、多个Deconv层（层数增加）、fc层（从无到有）     SegNetVijay Bad...

目标检测分割--Mask R-CNN原创 2017年03月23日 11:07:57Mask R-CNN ICCV2017 best paper https://arxiv.org/pdf/1703.06870Mask R-CNN= Faster R-CNN + FCN, 大致可以这么理解！大神都去哪了？ Facebook AI Research (FAIR) 越来越厉害了，强强联合Code wil...

图像分割--PixelNet: Representation of the pixels, by the pixels, and for the pixels原创 2017年03月27日 14:26:45PixelNet: Representation of the pixels, by the pixels, and for the pixels Code: https://github.com...

语义分割--FCN 算法中的一些细节--特征怎么融合原创 2017年07月21日 11:38:51Fully Convolutional Networks for Semantic Segmentation语义分割 FCN 算法 这里主要说一下 FCN-32s 、FCN-16s 、FCN-8s 三个分割结果是怎么得到的，从而知道FCN中的特征到底是怎么融合的？首先来看看 最粗糙的分割结果 FCN-...

全卷积神经网络 图像语义分割实验：FCN数据集制作，网络模型定义，网络训练（提供数据集和模型文件，以供参考）原创 2016年12月13日 13:58:47标签：FCN/Caffe/语义分割/全卷积神经网络更新于2016年12月29. 下载：自制数据集供参考下载： 自己改的网络论文：《Fully Convolut

caffe FCN Ubuntu16.0原创 2017年07月10日 15:06:56/home/~/fcn.berkeleyvision.org/ilsvrc-nets/siftflow-fcn32s-heavy.caffemodelFCN安装步骤：1. 代码准备fcn源码：$ git clone https://github.com/

U-net使用, 图像分割(边缘检测)原创 2017年05月17日 20:29:15    U-Net: Convolutional Networks for Biomedical Image Segmentation    通过阅读这篇论文了解到在医学图像领域还是有这样一个网络存在, 它是用于获得图像的边缘. 文中说是FCN的延伸, 原谅我的孤陋寡闻,还没

FCN和U-Net标签： cnn图片分割深度学习2017-08-14 21:07 200人阅读 评论(0)收藏举报分类： 深度学习（2） 版权声明：本文为博主原创文章，未经博主允许不得转载。目录(?)[+]FCN论文《Fully Convolutional Networks for Sema

U-Net在深度学习应用到计算机视觉领域之前，人们使用 TextonForest 和 随机森林分类器进行语义分割。卷积神经网络（CNN）不仅对图像识别有所帮助，也对语义分割领域的发展起到巨大的促进作用。语义分割任务最初流行的深度学习方法是图像块分类（patch classification），即利用像素周围的图像块对每一个像素进行独立的分类。使用图像块分类的主要原因是分类网络通常是全连接层

前言在这里,先介绍几个概念,也是图像处理当中的最常见任务.语义分割(semantic segmentation)目标检测(object detection) 目标识别(object recognition) 实例分割(instance segmentation) 语义分割首先需要了解一下什么是语义分割(semantic segmentation). 语义分割,简单来说就

最近在研究全卷积神经网络在图像分割方面的应用，因为自己是做医学图像处理方面的工作，所以就把一个基于FCN（全卷积神经网络）的神经网络用 keras 实现了，并且用了一个医学图像的数据集进行了图像分割。全卷积神经网络大名鼎鼎的FCN就不多做介绍了，这里有一篇很好的博文 http://www.cnblogs.com/gujianhan/p/6030639.html。 不过还是建议把

深度图像分割 -- Fully Convolutional Networks for Semantic Segmentation原创 2017年03月23日 15:55:11CVPR2015 PAMI 2016 Fully Convolutional Networks for Semantic Segmentation Code: https://github.com/shelhamer/fcn....

卫星图像分割--Effective Use of Dilated Convolutions for Segmenting Small Object Instances原创 2017年09月07日 11:12:57Effective Use of Dilated Convolutions for Segmenting Small Object Instances in Remote Sensing ...