Kingsleyandher的博客

物体检测简述物体检测主流的算法可以分为：基于候选区域的目标检测（Two-Stage）：滑动窗口检测器、R-CNN、Fast R-CNN、RPN、F-RCNOne-Stage（单次）目标检测：SSD、YOLO、YOLOv2、YOLOv3Two-Stage的主流思想是首先通过启发式算法或者CNN网络产生一系列稀疏的候选框，然后对这些候选框进行分类或者回归。这类算法的优势是准确率高。One-Stage的思路是均匀地在图片的不同位置进行密集抽样，抽样时可以采用不同尺度和长宽比，然后利用CNN提取特征后

# keras_infer.py# -*- coding:utf-8 -*-import cv2import timeimport argparseimport numpy as npfrom PIL import Imagefrom keras.models import model_from_jsonfrom utils.anchor_generator import generate_anchorsfrom utils.anchor_decode import decode_bbo

注：东北大学理学院大三暑期实训（第四天）卷积神经网络案例：识别数字Mnist数据集图像输入：图片尺寸越大，全连接（经典神经网络）所需要的计算量越大。可采用局部连接模式（卷积神经网络）来降低参数数目（局部感受野）。import warningswarnings.filterwarnings("ignore")import numpy as npimport pandas as pdfrom keras.utils import np_utilsimport matplotlib.pypl

经典手写Mnist数据集一个最简单的神经网络多层感知机模型训练的全过程

Numpy库import numpy as npone = np.ones(shape = (2,4),dtype=int) #创建2行4列的矩阵，元素为int型#+-*/对矩阵操作遵守广播原理，即对所有元素都进行运算。one.shape # 输出矩阵的维度# 输出随机浮点数 维度为3*4np.random.random(size=(3,4))a = np.arange(12).reshape(3,4) # 重新排列数组a[1:3,:] #选择第二行和第三行的内容a[:,1] #选择第二列

Anaconda建立环境1.建立虚拟环境conda create --name tensorflow python=3.52.激活虚拟环境activate tensorflow3.关闭虚拟环境deactivate4.安装tensorflow和Keraspip install tensorflowpip install kerasTips：一定要注意python、Tensorflow、keras版本的对应（点这里看列表：a = []b = [1,2,3,4]c = [1,1