monk96的博客

【代码】分割分类数据集。

将 0 110 200 沉头 这种格式的数据转成json。

将标签文件转换为不同的数字。

【代码】python 实现感知机。

https://arxiv.org/pdf/2105.12931.pdfhttps://github.com/deepcam-cn/yolov5-facehttps://github.com/we0091234/Chinese_license_plate_detection_recognition

为了适应位置不确定性，分成了多个cell进行采集特征，即每个cell分别进行计算，得到的直方图进行汇总，最后用分类算法进行分类。取附近的八个点与自身的灰度值进行比较，大于自身的点取1，小于的取0；灰度图的取值在0~255，所以，频度直方图的十进制取值为256维。对于光照不敏感，因为同一个区域会受到一样的光照，大小关系不变。根据顺时针方向以二进制的形式进行排列，计算所得的值。关于Haar算法和积分图可以参考上一篇文章。接下来聊聊关于LBP算法。...

A=point4+point1-point2-point3理解下减去了两次point1所以加上一个。所以计算特征的时候，只需要把所有的点的区域存起来，再根据需要存取就可以了。特征值=白色-黑色=A-B。这里有一张128*128的图。我们运用积分图进行计算。这里是图片的像素表示，......

安装成功tesseract./1.pngresulttesseract./d.pngresult-lchi_simpipinstallpytesseract。

vscode中没有提示很头疼，记录一下。如果没提示的话，点击首选项-》设置。把prevent这个打勾去掉就可以。

下载Yolov5预训练模型既已经训练好的权重参数数据，可以直接使用，就不要在本机再做Traninig了。学了半天的神经网络，深度学习，cnn，rnn，opencv一头雾水，总得拿点东西来应用下。-就会弹出摄像头页面，识别到的物体会用不同颜色的方框进行标识，同时上面会显示名称和概率（置信度）如果通过摄像头检测出识别的物体会打印出来比如下面的person，cellphone等。了解到有一个目标检测算法还是挺有趣的——Yolov5。下面章节开始训练自己的数据和模型调优、源码分析等。...

svm

plot

深度学习的迁移学习和回调

先计算得分，再进行放大差异，最后进行归一化处理

cv_32F目标是32位有符号浮点数，因为sobel算子是用的右边减去左边，有可能为负数，这样保留正负数，再进行绝对值操作进行一步闭合操作，去除噪点进行二值化操作进行闭操作，连接成块进行边缘检测过滤选择区域进行数字区域分割提取进行数字内容识别模板的处理直接用常规操作进行分割写入本地数据匹配模板因为上面导出的图片名称为所以数字应该用 9- 下标，应该注意下。展示匹配效果这里需要传入原始图片， 图片列表， 数字列表遍历标注即可调用主函数效果点

上篇文章介绍了如何通过CNN来识别车牌的字母和数字，接下来我们尝试通过模板匹配的方式进行识别。模板的文件夹如下双层for循环读取每个进行匹配, 并获取最大的置信度拼接字符实验...

数据集下载进行训练查看模型的准确度可以看到， 训练的效果在不断增强，不过准确率不是很好，还有过拟合的风险，后面优化下。增加了一下训练次数， 可以看到效果增强了点，运用PIL的Image注意： 因为我们训练时输入的是灰度图像，没有三通道的，所以之前的图片需要特殊处理成灰度图在进行输入可以看到，这里输出了，one-hot的编码数组，接下来只需要取最大值就可以了‘闽’这里直接返回预测的字符接下来我将用模板匹配的方式进行效果预测，看看会不会有更好的结果.........

**无人停车场可以说是目前人工智能应用最普通的一个，核心的技术在于车牌的识别，那么作为人工智能的狂热者，自然不能错过这么好的项目。赶紧开始吧！ **进行高斯处理，运用sobel算子计算轮廓二值化处理，自适应进行一次闭合操作, 连接一些小白点进行腐蚀膨胀操作， 去除一些噪点，扩大轮廓区域中值滤波，为了降低噪点进行轮廓检测筛选图像一般车牌比例为长：宽 = 1:3~1:6, 根据这个原理分隔字符字符的分割比较简单，将图片进行二值化，提取白色的数字即

使得原本特征不明显的图片变得更明显些查看颜色效果自适应均衡化有利于提取特征密集的图片

用一个小图，在大图中寻找位置代码演示

可以检测到轮廓的部分，并返回相应的坐标等信息相当于精简了轮廓的边缘进行灰度化进行二值化进行轮廓检测contours 轮廓信息hierarchy 层级信息绘制轮廓轮廓必须绘制在多层图上，灰度图无法绘制效果参数：第三个为绘制的第几个轮廓第四个： 颜色，第五个：线条大小轮廓特征轮廓面积轮廓周长cv.arcLength(cnt, True)True 是否闭合...

金字塔

读取视频处理单张图方法调用效果

运用边缘差值算法进行图像边缘的计算1， 2， 1代表高斯分布核，离的越近权重越高

与腐蚀为逆操作：相当于把白色同化为黑色的过程

类似卷积核的处理方式，运用各种核的处理方式进行过滤

规定图片操作的区域， 设定ROIroi 需要操作的区域将logo图片灰度化，制作阈值maskmask 为， 黑色区域为需要提取的部分，白色为过滤的部分logo 的mask 区域logo的图像添加在图片上获取logo 的区域加在一起完成效果......

自动生成评语

垃圾邮件是最基础的机器学习案例，其中涉及到的知识也比较全面。所以作为一个案例来进行学习和总结将垃圾邮件自动识别， 其实是个二分类问题，我们需要将目标进行分解， 降低实现的难度。可以看到准确率和recall还是比较高的，达到了97%数据链接：点击......

机器学习中的算法--kMeans and DBSCAN

查看图片训练模型这里用了k邻算法进行数据分类评估模型混淆矩阵这将会平均每个数字的权重，平时越大的数影响越大，现在大的和小的都被归属到0-1之间或特定数值间。比如：平时10000， 100， 20， 对于10000的影响明显要更大，而现在10000- 8778/10000 范围也在0-1内，降低了大的数值影响的权重，而小数字不变。以上，就是目前学习到的多分类的评估方法。...

的

公式为：p = TP/（TP + FP)解释为： 正确的正例/ 正确的正例 + 错误的正例看如下例子：其中： TP（true positive） = 20FP （False positive）= 30 理解为错误的划分为正确的例子的数量，30个男生所以p = 2/5公式为：p = TP/（TP + FN）FN ： false nagitive 即错误判断为负样本了，也就是0 个，没有把女生判断为男生。TN： true nagitive 正确的判断为负样本的， 也就是剩下的50个男生， 也就是

完整代码如下：工程目录如下:

可以看看书本作者的阐述原文意思为：看你输出的是什么格式的one-hot 的话用categorical_crossentropy数字编码的话用sparse_categorical_cossentropy一个用于多分类，一个用于二分类

#softmax一般用于输出层，其原理和结构可以分成两个， soft max， 如图所示：来看另一个常用的激活函数sigmoid一般： softmax 和 categorical_crossentropysigmoid 和 binary_crossentropy

香龙在文中指出，它的准确信息量应该是：其中[公式]表示以2为底的对数， p1, p2, p3为每个条件的概率。对于一个随机的变量X， 他的信息熵应该是如我们的二分类问题， p(x) = p1 p(y) = 1-p1 其中， 0......

实现 手写字体的分类识别，直接上代码：

上公式：对于pdding 公式

-学了一个多月的机器学习，对于神经网络才刚刚接触，感知机的实现相对好理解，但神经网络的逻辑较为复杂，在这做一个总结和思考。希望能得到各位大佬的指正。关键的感知机的参数优化方法：wi = w + n(y- y_pre)xibi = b + n(y- y_pre)h = wi xi + bi下面进行正向传播的代码实现而反向传播的实现比较复杂，解释下， 我们要计算出Loss 对于所有参数的导数，即每个参数会影响到Loss 的变化大小， 然后不断调整参数大小，达到降低loss 的效果。我们现在的目的就是