qq_29367075的博客

AI Papers and Code宝藏链接珍藏！！计算机视觉https://paperswithcode.com/area/computer-vision

上一篇文章写了物体检测的二步走算法的介绍。这里我们看看端到端网络的模型。R-CNN系列的算法，准确度高，但是处理速度慢。端到端系列的算法，准确的稍微低，但是处理速度却极大提升。一：YOLO算法这里不展开细讲，之前学习过的，可参考https://blog.youkuaiyun.com/qq_29367075/article/details/109269477https://blog.youkuaiyun.com/v_JULY_v/article/details/80170182https://zhuanlan.zhi

学习内容来自：https://www.bilibili.com/video/BV1m5411A7FD?p=2类似的博文：https://blog.youkuaiyun.com/v_JULY_v/article/details/80170182一：目标检测的含义对输入的一张图片，不仅仅需要得到图片中的物体类别，还需要得到图片中物体的位置信息，再细节分的话，还有单物体检测和多物体检测。这个任务本质上就是这两个问题：一：图像识别，二：定位。图像识别（classification）：输入：图片输出：物体的类别

上一次自己列出了几个关于神经风格迁移的论文链接后，自己也尝试去读懂这些，于是挑选了几个论文来拜读，本文挑选了四篇论文，前两篇是单模型多风格的（Multiple-Style-Per-Model Fast Neural Method），而后两篇是单模型任意风格的（Arbitrary-Style-Per-Model Fast Neural Method）。====================一：《Multi-style Generative Network for Real-time Transfer》

有时候发现读论文还是挺有意思的一件事，而且多读几回就会越来越熟练。作为小本科也是充满了信心。更可喜的是，在AI领域，能看到很多中国名字的学者以及中国的贡献。SRCNN （Learning a Deep Convolutional Network for Image Super-Resolution, ECCV2014）正所谓开山之作，现在看来这个架构是很简单的，因为只用到了三层卷积层，不过在那个时候深度神经网络刚刚兴起的时候能有这样的设计也是很不错了。此算法的步骤如下：1：先采用Bicubic

一：简介图像超分（super-Resolution）是将低分辨率的图像或者视频序列恢复出高分辨率图像。可以用在视频数字高清播放，视频监控，视频编码，图像还原和医学影像等领域，按照类别可分为单个图像的超分（single image super resolution, SISR）和视频超分（multiframe super resolution）。二：数学概述退化函数很难得到，于是我们就找到一个函数F，能够将低分辨率的图像转换成搞分辨率。以前常见的方法是：最近邻插值法、双线性插值法、双立方插值法。这

最近发现之前学习到的关于神经网络风格迁移是个原始版本，原来还有更加强悍，更加快速，更加多style的模型。下面我还是附上链接学习。图像风格化算法综述三部曲https://zhuanlan.zhihu.com/c_185430820Style Transfer | 风格迁移综述https://zhuanlan.zhihu.com/p/57564626...

之前我们学习了U-Net的结构，以及模拟实现了一个模型。现在我们继续回顾一下，U-Net的最大特征就是，在encoder-decoder的基础上进行了skip-connection的操作（浅层和深层特征的融合），我们之前实现的是一个四层的网络，作者的论文也用的是四层的。难道必须是要四层么？于是有人就实验了不同的深度层次在不同的数据集上。请注意，每个圆圈圈都是表示一组卷积运算。实验证明，并不是越深越好，也不是 4 层最好；实验折射出这样的结论：不同层次(深浅)的特征的重要性 在不同数据集上 表现不

本文是根据Andrew Ng的深度学习视频学习，自己总结的。这一系列先只学习关键技术和设计，具体的实例等下一期进行。一：神经风格转换处相识这个是个非常激动人心的小领域，也是一个生成模型，能把一个图像的风格迁移到另一个图像上来，能创造出不一样的新数据来，如下图所示。将S图像的绘画风格迁移到C图像上，既可以得到一个G图像，G图像是按照S图像的风格绘制的C图像，这很激动人心啊，人人都可以成为绘画师了啊简直，在图像处理特效领域完全可以产生新的滤镜。内容就是图像的组成部分。可能是风景、海滩环境、花园里的猫、

本文是根据Andrew Ng的深度学习视频学习，自己总结的。这一系列先只学习关键技术和设计，具体的实例等下一期进行。一：人脸验证人脸识别包括人脸验证了人脸检测，人脸检测也属于物体检测范围，所以就不讲这个了，现在来看看人脸验证的实现。也就是在图像中识别到了人脸还需要知道是谁的脸，用于身份认证和识别系统。接下来我就一起看看如何实现识别身份识别的人脸验证的模型系统。二：one-shot设计假如你的公司有100个人，你想建立刷脸门禁的系统，你的做法是什么呢？A是你们公司的员工，刷脸可以进入，B不是公司员

本文是根据Andrew Ng的深度学习视频学习，自己总结的。这一系列先只学习关键技术和设计，具体的实例等下一期进行。这里讲一些在YOLO中经常用到的一些概念和优化算法。一：交并比（Intersection over union）如何衡量两个区域的重合度呢？也就是看看两个区域的相似程度。假设有两个区域A和B，也就是用区域的重合交集面积比上总的并集面积，取值在0~1之间，取值越大，重合度越高，两个区域越相似。一般取一个阈值，大于该阈值，即可认为是相似区域，即A和B所要描述的是一个区域，这个阈值一般

本文是根据Andrew Ng的深度学习视频学习，自己总结的。这一系列先只学习关键技术和设计，具体的实例等下一期进行。一：多object的识别与检测现在我们来个复杂一些的，在一副图像中我们存在多个不同的检测目标体，比如在自动驾驶中，在一幅图像中存在行人，汽车，摩托车各个若干，如下图所示。这时候，单object检测的算法就失去了作用，必须得做出一些改变出来。二：基于滑动窗口的检测技术一个比较朴素的思路就是，我们上一文章中，既然已经训练好了单个图像识别的模型，何不充分利用整个思路呢。思路如下：我们

本文是根据Andrew Ng的深度学习视频学习，自己总结的。这一系列先只学习关键技术和设计，具体的实例等下一期进行。一：单object的识别与检测先来一个简单的，每一图片内都是只有一个需要检测是物体，拿交通相关的数据来说明吧，假如我们要区分出是图片中是汽车，自行车，平衡车，摩托车，行人等等一堆的类别，每个图片中仅仅只包含了一个需要检测的物体，不仅能够分类，还需要给出图中这些物体的位置信息，画出它的大小边框信息。1：我们先来定义网络和输出信息Y的定义，Y是1 X 1 X (1 + 4 + N)维