Helowr的博客

特征融合DenseNet模型总共121层包含4个DenseBlock每个DenseBlock内部各层是采用 稠密连接的方式。

终端启动命令tensorboard --logdir=./logTensorBoard: 是TensorFlow中强大的可视化工具，支持显示标量、图像、文本、音频、视频和Embedding等多种数据可视化。可以帮助开发者方便的理解、调试、优化TensorFlow 程序。其在PyTorch中也能使用。

2017年商汤、清华大学、香港中文大学、北京邮电大学提出 ‌残差注意力网络（Residual Attention Network）‌是一种结合了注意力机制和ResNet的卷积神经网络，旨在提升图像分类任务的性能。该网络由多个注意力模块堆叠而成，每个模块包含软掩膜分支（ soft mask branch）和主干分支。

YOLOv5是一种基于深度学习的目标检测模型，相较于YOLOv4，YOLOv5模型在目标检测精度和速度上都有了显著的提升。YOLOv5模型基于PyTorch开发，利用主干网络、检测头和损失函数等模块，能够实现对图像中多个目标的快速检测和定位。

一幅一般可以用一个2-D函数 f(x, y)表示一幅可分解为许多个单元,叫做图像元素, 简称像素值的取值范围一般是：0~255。

核心思想卷积神经网络最后一层卷积输出的特征图S×S，将其位置映射至原始图像，图像被分成S×S个网格(grid cell)，如果物体的Ground Truth（样本的标签）中心落在某个网格中，则这个网格就负责预测这个物体(网格预测B个大小Bounding box，最终使用与Ground truth的IOU相对较大的Bounding box检测物体网格输出维度。

图像分割技术是计算机视觉领域的重要研究方向，是图像语义理解的重要一环。所谓图像分割就是根据灰度，色彩，空间纹理，几何形状等把图像划分为若干个互不相交的区域。网络结构为U型得名，设计初衷主要是用于医学图像的分割。

图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。数字图像，我们往往会对他们中的某一部分感兴趣，这些部分我们称为前景或者目标， 其余部分称为背景。主要方法有基于阈值的分割基于边缘、基于区域、基于聚类、基于图论、基于深度学习等。阈值分割处理 -- 把前景跟背景划分（1）求得阈值双峰法获取阈值迭代法阈值分割自适应阈值分割（2）处理的方式二值化阈值处理 ： 背景设置为白色,前景黑色反二值化阈值处理 ： 背景设置为黑色,前景白色。