
学习笔记
文章平均质量分 84
课程、书本等专业知识学习笔记
Ro Jace
这个作者很懒,什么都没留下…
展开
专栏收录文章
- 默认排序
- 最新发布
- 最早发布
- 最多阅读
- 最少阅读
-
图像分析学习笔记(6):智能图像语义分割
本文介绍了图像语义分割的基本概念、应用领域及面临的挑战。语义分割需对每个像素进行分类,与实例分割、全景分割有所区别,主要应用于自动驾驶等领域。评价指标采用平均交并比(mIOU)。当前面临目标大小差异、类别不均衡等挑战。典型方法包括FCN(全卷积网络)、U-Net(医学图像分割)、DeconvNet(反池化与反卷积结合)以及DeepLab系列(采用空洞卷积缓解信息丢失)。这些方法通过多尺度信息融合、上采样等技术提升分割效果,但仍存在小目标漏检等问题。原创 2025-07-19 10:44:39 · 818 阅读 · 0 评论 -
图像分析学习笔记(7):图像生成
本文探讨了图像生成的关键技术,主要包括:1)自然图像流形分析,通过线性降维、PCA和自编码器实现非线性降维;2)图生图方法,利用损失函数筛选流形上的图像;3)图像合成技术,重点介绍GAN及其变体Conditional GANs的工作原理和训练目标函数,并列举多种图像转换应用;4)扩散模型,作为解决多类别生成问题的解决方案。文章还分析了高维输出和映射不确定性等挑战,提出使用深度网络和合理性判断的解决方法。这些技术共同构成了现代图像生成的核心方法体系。原创 2025-07-19 11:17:12 · 901 阅读 · 0 评论 -
模式识别与机器学习课程笔记(1):数学基础
本文介绍了模式识别与机器学习的数学基础,主要内容包括:1)特征矢量的三种类型(物理量、次序量、名义量)及其处理方法;2)随机矢量的概率分布描述,包括联合分布、条件分布和数字特征(均值、协方差等);3)随机变量间的统计关系(相关性、独立性);4)随机矢量的变换方法;5)正态分布的性质;6)离散随机变量的分布;7)信息论中的自信息概念。这些数学工具为后续的模式识别与机器学习算法提供了理论基础。原创 2025-07-21 11:15:37 · 605 阅读 · 0 评论 -
图像分析学习笔记(5):智能目标检测与识别
原创 2025-07-18 11:12:10 · 134 阅读 · 0 评论 -
图像分析学习笔记(1)
图像分析课程学习内容总体介绍原创 2025-07-20 17:36:21 · 555 阅读 · 0 评论 -
图像分析学习笔记(8):智能序列图像分析
SiamFC:监督数据的稀缺性,算法的实时性,约束深度学习在目标跟踪中的应用。该方法将跟踪任意目标的学习看成是相似性问题的学习。加入空间正则来解决边界效应,SRDCF将图像信号尽量取大一些的尺寸,保留目标更多的真实信息,然后再通过一个空间权值系数w来惩罚距离目标中心比较远的样本;视频目标分割:在视频的每一连续帧中寻找给定感兴趣目标的对应像素,即给定第一帧的mask,将某一特定目标从后续视频帧当中分离出来,实际就是像素级的目标追踪问题。视频目标跟踪:在一个视频的后续帧中找到在当前帧中定义的感兴趣物体的过程。原创 2025-07-19 17:44:43 · 1175 阅读 · 0 评论 -
图像分析学习笔记(2):图像处理基础
本文系统介绍了图像处理的基础知识,主要包括四大核心内容:图像增强、图像复原、图像分割和形态学处理。图像增强通过直方图均衡化、频域滤波等方法改善视觉效果;图像复原基于退化模型和先验知识恢复原始图像;图像分割采用阈值法、区域生长等方法分离目标与背景;形态学处理通过膨胀、腐蚀等集合运算提取图像特征。全文涵盖了从基础概念到具体算法的完整知识体系,并重点分析了各类方法的数学原理、实现步骤和应用特点,为图像分析领域提供了系统的理论框架和实践指导。原创 2025-07-20 16:48:54 · 1079 阅读 · 0 评论 -
图像分析学习笔记(4):机器学习图像特征与描述
当堆叠更深层次后的CNN性能反而更差-非常深的模型更加爱难以优化-解决思路:利用网络层次拟合残差映射,替代直接拟合一个潜在目标映射-方法:利用skip connections,可以允许利用一个层次的输出,输入给其他人一层次,利用这些层次你和残差,而不是直接你和H(x)残差模块:输入x通过一系列的卷积、relu模块,输出F(X),将输出结果加到原始的输入x。卷积神经网络(CNN)原创 2025-07-19 21:43:32 · 579 阅读 · 0 评论 -
图像分析学习笔记(9):典型图像分析与理解系统
主要内容:遥感图像与理解、智能目标识别、基于内容的图像和视频检索、序列图像中人的行为分析。原创 2025-07-19 20:10:59 · 154 阅读 · 0 评论 -
图像分析学习笔记(3):人工设计图像特征
本文系统介绍了人工设计图像特征的分类与实现方法。主要内容包括:图像特征的概念与目的,对比了人工设计特征和机器学习特征的优缺点。重点阐述了四种人工设计特征:线特征(边缘检测与编组)、点特征(SUSAN、Harris、SIFT等)、形状特征和纹理特征(灰度共现矩阵、LBP、HOG)。详细分析了各种特征提取算法的原理、流程及特性,如Canny边缘检测、Hough变换、相位编组等方法在线特征提取中的应用,以及SIFT特征在尺度不变性方面的优势。文章还探讨了纹理特征的定义、特点和描述方法,展示了人工设计特征在图像分析原创 2025-07-20 12:05:26 · 863 阅读 · 0 评论 -
模式识别与机器学习课程笔记(1):绪论
《模式识别与机器学习》课程笔记(1):绪论 本课程面向EECS背景的研究生,需具备线性代数、概率统计、数据结构和编程基础。课程内容涵盖贝叶斯决策论、神经网络、深度学习等13个章节。模式识别旨在将对象分类到预定义类别,涉及特征提取、学习训练和分类识别三大核心问题。课程梳理了模式识别的发展历程,从1929年数字阅读机到当前深度学习主流技术。介绍了模式识别基本方法,包括统计模式识别、结构模式识别等主流技术,并区分了监督学习、无监督学习和强化学习等机器学习类型。课程强调特征选择与提取的重要性,以及分类器设计中决策边原创 2025-07-21 09:51:21 · 909 阅读 · 0 评论