<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[m0_74896766的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/m0_74896766</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; m0_74896766]]></copyright><item><title><![CDATA[【MatLab手记】 --从0到了解超超超详过程！！！]]></title><link>https://blog.youkuaiyun.com/m0_74896766/article/details/143669061</link><guid>https://blog.youkuaiyun.com/m0_74896766/article/details/143669061</guid><author>m0_74896766</author><pubDate>Sun, 10 Nov 2024 23:23:54 +0800</pubDate><description><![CDATA[本篇介绍了：

1. 矩阵的创建以及基本运算
2. 函数的定义方法
3. 逻辑控制的结构
4. 绘图的方法]]></description><category></category></item><item><title><![CDATA[【YOLO模型】（4）--YOLO V3超超超超详解！！!]]></title><link>https://blog.youkuaiyun.com/m0_74896766/article/details/143315302</link><guid>https://blog.youkuaiyun.com/m0_74896766/article/details/143315302</guid><author>m0_74896766</author><pubDate>Mon, 28 Oct 2024 22:30:54 +0800</pubDate><description><![CDATA[本篇介绍了：
1. YOLO V3的网络架构只有卷积层，且有三个输出。
2. YOLO V3先验框共有9个，分为小、中、大三种scale，每种有三个规格。
3. 引入残差网络思想，搭建更深层次的网络。
4. 使用softmax函数替代logistic函数，适用于多分类的任务。]]></description><category></category></item><item><title><![CDATA[【YOLO模型】（3）--YOLO V2超超超超详解！！]]></title><link>https://blog.youkuaiyun.com/m0_74896766/article/details/143276452</link><guid>https://blog.youkuaiyun.com/m0_74896766/article/details/143276452</guid><author>m0_74896766</author><pubDate>Sun, 27 Oct 2024 22:53:14 +0800</pubDate><description><![CDATA[本篇介绍了：
1. YOLO V2使用的网络结构是使用Darknet-19作为主干网络。输入图像的大小必须满足32的倍数。
2. 先验框使用k-means聚类方法在训练集上对先验框进行聚类，分出五个先验框。改变了距离计算方式，增强边界框尺寸权重影响。
3. 中心点使用直接位置预测方法：通过sigmoid函数将中心位置点限制在一定范围内，以确保预测的边界框更加准确。
4. 由于多次池化，可能难以观测到小物体，使用多尺度融合方法，融合上下层的特征信息，提升目标检测的精度和召回率。]]></description><category></category></item><item><title><![CDATA[【YOLO模型】（2）--YOLO V1超详解]]></title><link>https://blog.youkuaiyun.com/m0_74896766/article/details/143219870</link><guid>https://blog.youkuaiyun.com/m0_74896766/article/details/143219870</guid><author>m0_74896766</author><pubDate>Thu, 24 Oct 2024 21:25:13 +0800</pubDate><description><![CDATA[本篇介绍了：
1. YOLO V1目标检测直接将整张图像作为网络的输入，直接输出边界框的位置以及所属的类别
2. 网络结构借鉴了 GoogLeNet 。24个卷积层，2个全链接层。最后输出结果包含两个预选框返回的中心坐标值以及宽高和置信度、类别数量。
3. YOLO的损失就包括三部分：坐标位置误差，confidence误差，分类误差。值得注意的是，损失值只计算识别到物体的误差。
4. 针对邻近网格可能会识别同一目标，发生重复检测问题，使用非极大值抑制找到最优边界框。]]></description><category></category></item><item><title><![CDATA[【YOLO模型】（1）--YOLO是什么]]></title><link>https://blog.youkuaiyun.com/m0_74896766/article/details/143194384</link><guid>https://blog.youkuaiyun.com/m0_74896766/article/details/143194384</guid><author>m0_74896766</author><pubDate>Wed, 23 Oct 2024 21:49:48 +0800</pubDate><description><![CDATA[本篇介绍了：
1. YOLO是一种基于深度学习的目标检测算法。注意，是一个回归问题！！
2. 两种经典的检测方法：one-stage和two-stage。
	1. one-stage：直接生成候选框，定位图像。
	2. two-stage：先生成候选框标出所有的物体，然后找到目标物体。
3. 使用Map指标来评估YOLO算法的性能。]]></description><category></category></item><item><title><![CDATA[【进阶OpenCV】 （22） --年龄性别预测]]></title><link>https://blog.youkuaiyun.com/m0_74896766/article/details/143167657</link><guid>https://blog.youkuaiyun.com/m0_74896766/article/details/143167657</guid><author>m0_74896766</author><pubDate>Tue, 22 Oct 2024 20:33:21 +0800</pubDate><description><![CDATA[本篇介绍了，如何使用已有的OpenCV和Caffe深度学习框架（通过OpenCV的dnn模块接口）来实现实时的人脸检测、年龄估计和性别识别，并在检测到的人脸旁边绘制中文的年龄和性别信息。]]></description><category></category></item><item><title><![CDATA[【进阶OpenCV】 （21） --卷积神经网络实现人脸检测]]></title><link>https://blog.youkuaiyun.com/m0_74896766/article/details/143110525</link><guid>https://blog.youkuaiyun.com/m0_74896766/article/details/143110525</guid><author>m0_74896766</author><pubDate>Mon, 21 Oct 2024 13:59:07 +0800</pubDate><description><![CDATA[本篇介绍了如何通过使用dlib库中的卷积神经网络（CNN）人脸检测模型来检测一张图片中的人脸。
注意！！：为例减少模型的计算，使用加载的CNN人脸检测模型对图片进行人脸检测时，上采样次数可以少一点。]]></description><category></category></item><item><title><![CDATA[【深度学习】（12）--模型部署 ＜连接客户端与服务端＞]]></title><link>https://blog.youkuaiyun.com/m0_74896766/article/details/143099690</link><guid>https://blog.youkuaiyun.com/m0_74896766/article/details/143099690</guid><author>m0_74896766</author><pubDate>Sun, 20 Oct 2024 21:57:33 +0800</pubDate><description><![CDATA[本篇介绍了，如何进行模型部署，将客户端与服务端连接在一起，使客户可以借用服务端来操作。]]></description><category></category></item><item><title><![CDATA[【进阶OpenCV】 （20） --疲劳检测]]></title><link>https://blog.youkuaiyun.com/m0_74896766/article/details/143081672</link><guid>https://blog.youkuaiyun.com/m0_74896766/article/details/143081672</guid><author>m0_74896766</author><pubDate>Sat, 19 Oct 2024 17:55:09 +0800</pubDate><description><![CDATA[本篇介绍了，如何通过人脸部眼睛的变化来简单的进行疲劳检测。]]></description><category></category></item><item><title><![CDATA[【进阶OpenCV】 （19）-- Dlib库 --人脸表情识别]]></title><link>https://blog.youkuaiyun.com/m0_74896766/article/details/143063255</link><guid>https://blog.youkuaiyun.com/m0_74896766/article/details/143063255</guid><author>m0_74896766</author><pubDate>Fri, 18 Oct 2024 22:11:07 +0800</pubDate><description><![CDATA[本篇介绍了如何通过计算面部关键点的变化情况，来判断人脸的表情变化情况。]]></description><category></category></item><item><title><![CDATA[【进阶OpenCV】 （18）-- Dlib库 --人脸关键点定位]]></title><link>https://blog.youkuaiyun.com/m0_74896766/article/details/143029290</link><guid>https://blog.youkuaiyun.com/m0_74896766/article/details/143029290</guid><author>m0_74896766</author><pubDate>Thu, 17 Oct 2024 21:51:05 +0800</pubDate><description><![CDATA[本篇介绍了如何通过Dlib库自带的预测器，来进行人脸的关键点定位，并将它显示出来。得到关键点定位后，我们就可以通过点位的距离变换，简单的判断人脸表情变换情况。]]></description><category></category></item><item><title><![CDATA[【进阶OpenCV】 （17）-- Dlib库 --实现人脸检测]]></title><link>https://blog.youkuaiyun.com/m0_74896766/article/details/142997106</link><guid>https://blog.youkuaiyun.com/m0_74896766/article/details/142997106</guid><author>m0_74896766</author><pubDate>Thu, 17 Oct 2024 09:12:39 +0800</pubDate><description><![CDATA[本篇介绍了如何通过Dlib库提供的get_frontal_face_detector()函数方法进行人脸检测。]]></description><category></category></item><item><title><![CDATA[【进阶OpenCV】 （16）-- 人脸识别 -- FisherFaces算法]]></title><link>https://blog.youkuaiyun.com/m0_74896766/article/details/142991815</link><guid>https://blog.youkuaiyun.com/m0_74896766/article/details/142991815</guid><author>m0_74896766</author><pubDate>Wed, 16 Oct 2024 21:15:51 +0800</pubDate><description><![CDATA[本篇介绍了，如何通过FisherFaces算法来实现人脸识别，其中需要注意的是：
1. 在使用EigenFaces算法进行人脸识别时，传入图像的大小（即尺寸）需要保持一致。
2. 训练以及测试图像最好使用大头照，减少身体的部分。
3. 置信度需要低于五千才有说服力，越小越准确。]]></description><category></category></item><item><title><![CDATA[【进阶OpenCV】 （15）-- 人脸识别 -- EigenFaces算法]]></title><link>https://blog.youkuaiyun.com/m0_74896766/article/details/142983002</link><guid>https://blog.youkuaiyun.com/m0_74896766/article/details/142983002</guid><author>m0_74896766</author><pubDate>Wed, 16 Oct 2024 15:31:11 +0800</pubDate><description><![CDATA[本篇介绍了，如何通过EigenFaces算法来进行人脸识别，其中需要注意的是：
1. 在使用EigenFaces算法进行人脸识别时，传入图像的大小（即尺寸）需要保持一致。
2. 训练以及测试图像最好使用大头照，减少身体的部分。]]></description><category></category></item><item><title><![CDATA[【进阶OpenCV】 （14）-- 人脸识别 -- LBPH 算法]]></title><link>https://blog.youkuaiyun.com/m0_74896766/article/details/142965720</link><guid>https://blog.youkuaiyun.com/m0_74896766/article/details/142965720</guid><author>m0_74896766</author><pubDate>Tue, 15 Oct 2024 22:22:04 +0800</pubDate><description><![CDATA[本篇介绍了如何通过创建LBPH的人脸识别器来进行人脸识别。]]></description><category></category></item><item><title><![CDATA[【进阶OpenCV】 （13）--视频物体跟踪]]></title><link>https://blog.youkuaiyun.com/m0_74896766/article/details/142930918</link><guid>https://blog.youkuaiyun.com/m0_74896766/article/details/142930918</guid><author>m0_74896766</author><pubDate>Mon, 14 Oct 2024 22:45:57 +0800</pubDate><description><![CDATA[本篇介绍了如何使用CSRT跟踪器对移动的目标进行跟踪。]]></description><category></category></item><item><title><![CDATA[【进阶OpenCV】 （12）--人脸检测识别]]></title><link>https://blog.youkuaiyun.com/m0_74896766/article/details/142906190</link><guid>https://blog.youkuaiyun.com/m0_74896766/article/details/142906190</guid><author>m0_74896766</author><pubDate>Sun, 13 Oct 2024 23:03:17 +0800</pubDate><description><![CDATA[本篇介绍了如何对人脸进行人脸识别检测。就是利用已经训练好的分类器模型，直接进行加载利用，识别图片。]]></description><category></category></item><item><title><![CDATA[【进阶OpenCV】 （11）--DNN板块--实现风格迁移]]></title><link>https://blog.youkuaiyun.com/m0_74896766/article/details/142906081</link><guid>https://blog.youkuaiyun.com/m0_74896766/article/details/142906081</guid><author>m0_74896766</author><pubDate>Sun, 13 Oct 2024 22:56:17 +0800</pubDate><description><![CDATA[本篇介绍了，如何通过DNN板块进行风格迁移。
注意！！！：进行风格迁移时，需要将传入的图片转换成可以传入人工神经网络的数据形式。且输出时进行转置，将通道维度移动到了最后，因为OpenCV期望图像以HWC格式显示。]]></description><category></category></item><item><title><![CDATA[【进阶OpenCV】 （10）--光流估计---＞描绘运动物体轨迹]]></title><link>https://blog.youkuaiyun.com/m0_74896766/article/details/142898946</link><guid>https://blog.youkuaiyun.com/m0_74896766/article/details/142898946</guid><author>m0_74896766</author><pubDate>Sun, 13 Oct 2024 15:10:51 +0800</pubDate><description><![CDATA[本篇介绍了，如何利用光流估计来绘制移动物体的轨迹。
注意！！：每两个连续帧之间计算完特征点并连线之后，都需要将上一帧的图像更新为当前帧，用于下次计算时称为它的上一帧。]]></description><category></category></item><item><title><![CDATA[【进阶OpenCV】 （9）--摄像头操作---＞答题卡识别改分项目]]></title><link>https://blog.youkuaiyun.com/m0_74896766/article/details/142873197</link><guid>https://blog.youkuaiyun.com/m0_74896766/article/details/142873197</guid><author>m0_74896766</author><pubDate>Sat, 12 Oct 2024 11:26:07 +0800</pubDate><description><![CDATA[本篇介绍了：如何对答题卡进行识别并计算准确率。
要点知识：边缘检测、轮廓近似、透视变换以及掩膜。

过程：1. 图片预处理 -----> 2. 描绘轮廓 -----> 3. 轮廓近似 -----> 4. 透视变换 -----> 5. 阈值处理 -----> 6. 找每一个圆圈轮廓 -----> 7. 将每一个圆圈轮廓排序 -----> 8. 比对正确答案 -----> 9. 计算正确率.]]></description><category></category></item></channel></rss>