- 博客(34)
- 收藏
- 关注
RSS订阅原创 初学者之路——————粗糙海面基本知识
波是由于风作用于水面，与水面的摩擦使海面产生了波动，从而产生了波。重力波是传播速度主要由重力作用的波。它的时间标度是0.1～25s，波长是2cm～500m，高度最高可达到33m。张力波的传播速度主要由波动的传输介质液体表面的张力作用控制。时间标度是0.01～0.1s，波长是0.5cm～2cm，高度小于1cm。风域是风在相同方向产生的海面区域，也可应用为在产生了海浪的风向上所测量的区域长度。涌是一些由长波长、接近于正弦波的波浪组成。海态是指海面的粗糙程度。如果文章存在问题，欢迎大家指出
2023-02-05 22:59:59
495
原创 初学者之路—————实际动态粗糙海面
海浪是空域和时域上高度不规则和不重复的物理现象，其变化形式是事先无法预知的。海面是大尺度近似周期性的波浪上叠加着波纹、泡沫和飞溅浪花。大尺度波浪是海面的大尺度结构，小尺度的波纹等则称为海面的微细结构。海态是海面粗糙度的数值化语言，海态更精确地定义为波列最高的1/3振幅的平均值。海面的介质特性以介电常数和电导率为特性，海水的介电常数通常是电磁波频率、海水温度和海水的含盐度的复函数。如果文章存在问题，欢迎大家指出。
2023-02-04 22:05:32
349
原创 初学者之路—————概率论
概率论是一种描述不确定情况的数学框架，它提供了一种度量不确定性的方法以及通过公理推导不确定的情况。概率论可以看成用来处理不确定性的一种逻辑的拓展。逻辑提供一组形式化的规则进行判定某些假设条件下的命题的真假。概率论则提供了一组形式规则，在已知一组条件成立的可能性前提下，判定一个命题真的可能性。如果文章存在问题，欢迎大家指出。
2023-02-03 23:42:48
256
原创 初学者之路——————信息
信息是为了消除不确定性。比如说天气预报，在主持人播报天气前，我们不知道具体的天气，怎么根据已有的进行假设，但这个假设的波动范围很大，无法进行准确的判断。但是当天气被播报出来，我们可以消除一大部分的不确定性，而对有限的可能进行判断。当信息所包含事件发生概率越小，它带来的信息量就越大，越有利于我们消除不确定性。信息熵就是平均的信息量。如果文章存在问题，欢迎大家指出。
2023-02-03 01:06:35
165
原创 初学者之路——————信息论
消息是信息要传递的内容，包括文字，图像和视频等语言。信号是消息传递的形式，把消息转化为适合传播的电信号和声信号等。信息是传达给人的不确定性。信息必须具有不确定性，确定的消息不是信息。发生的概率越小，所包含的信息量越大。小概率事件表示为发生概率为0的事件，但是概率为0不代表不会发生，例如落在连续区间上某点的概率为0，但是不代表不会发生。如果文章存在问题，欢迎大家指出。
2023-02-01 23:58:01
140
原创 初学者之路—————粗糙面变换
相关长度相同时，均方根高度越大，粗糙面程度起伏越大；均方根高度固定时，相关长度越大，粗糙面变换就越剧烈，即变换周期越小。相关长度影响粗糙面的“横向”变化，均方根高度影响粗糙面的“纵向”变化。如果文章存在问题，欢迎大家指出。
2023-02-01 00:40:41
426
原创 初学者之路——————随机粗糙面建模
蒙特卡罗法又称线性滤波法，基本思想是在频域用功率谱进行滤波，再做逆快速傅立叶变换得到粗糙面的高低起伏。粗糙面被认为由大量谐波叠加而成，谐波的振幅是独立的高斯随机变量，方差正比于特定波数的功率谱，所以可以用函数来表示一维粗糙面。由于合成过程的表面长度有限，表面自相关函数不会衰减到0，所以会有振荡现象。因此，在反变换过程中需要进行加窗用来避免边缘效应和谱重叠问题。如果文章存在问题，欢迎大家指出。
2023-01-30 23:44:57
1534
原创 初学者之路——————随机粗糙面建模
随机粗糙面是以波长为度量单位的统计参数表征，所以粗糙面可能对光波粗糙而对微波光滑。随机粗糙面一般是二维的，但比较感兴趣的是一维粗糙模型，这是一类特殊的只沿正交坐标系的一个方向改变，而另一个方向的随机粗糙面。对于特殊的一维粗糙面，建立的数学模型一般是由粗糙面上两点组成，通过研究两点之间的参数进而了解粗糙面的相关性等问题。如果文章存在问题？欢迎大家指出。
2023-01-29 22:51:53
623
原创 初学者之路——————回归问题
回归问题一般必须有真实数据集，而且一般都 是有监督的学习。最经典的回归问题是房价和股票走势问题，而对于这些问题一般都是多特征影响的。针对多特征问题，一般采用的是多元线性模型进行拟合，通过对每个特征值寻找合适的权重，使得损失函数最小。对于回归问题，寻找损失函数最小的常用方法是梯度下降法，通过计算梯度然后对权重值进行不断更新，找到局部最低点。回归问题可能会出现过拟合和欠拟合问题。过拟合时，需要尽量选择泛化能力强的特征或者增加训练数据集等；欠拟合时，就需要增加特征值数量，选择更复杂的模型。如果文章
2023-01-28 23:41:17
138
原创 初学者之路——————回归和分类问题
回归问题是输出连续性变量，比如房价走势，身高和股票走势等。对于回归问题，一般是有监督学习，发现变量间的相互关系。分类问题是输出定性结果，而不需要连续，比如阴晴或好坏等。对于分类问题，准确性主要由结果划分的准确率和误判概率决定。如果文章存在问题，欢迎大家指出。
2023-01-28 00:46:05
143
原创 初学者之路—————小波变换
真实信号往往存在缓慢变化趋势和瞬态出现的振荡，而且图像往往具有被边缘中断或对比度突然变化的平滑区域。傅立叶变换无法在时间和空间上定位到这些变化，所以小波变换应运而生。把傅立叶变换的无限长的三角函数基换成有限长且衰减的小波基就是小波变换。小波变换可以很好地定位信号变化所处的时间和频率，尺度对应频率，平移量对应时间。如果文章存在问题，欢迎大家指出。
2023-01-27 00:00:21
200
原创 初学者之路——————图像预处理
图像预处理的目的很简单，就是为了突出图像的有用信息，降低或者消除图像无关信息。由于采集设备以及环境等各方面影响，真实得到的图像必定含有噪声，而且包含一定的冗余度。在图像分析前，对于图像进行预处理，不仅可以降低计算成本，也可以极大改善分析结果的性能。一般对图像预处理时，彩色图像由于内存占用大，往往会进行灰度化，降低运算成本。然后对于图像进行变换，变换到合适的域运算。最后再对图像进行有目的的增强，从而得到想要的结果。如果文章存在问题，欢迎大家指出。
2023-01-25 22:59:06
1220
原创 初学者之路——————水声通信总结
水声信号进行目标识别，暂时的过程为使用声纳进行声信号捕捉，然后进行声信号去噪，最后通过一系列处理得到目标的声音分量进行区分。水声信号的去噪不同于地面通信，面临的问题更为复杂，而且去噪过程对于目标识别影响巨大。水声信号与深度学习联系日益加深，尤其是深度学习中的自监督算法，对于数据集要求降低，可以提高声信号的目标识别正确率。文章如果存在问题，欢迎大家指出。
2023-01-25 00:00:09
1502
原创 初学者之路——————水下通信
由于光电信号在水下衰减严重，水下通信在中长距离很难使用陆地的光纤，而传统陆地上较少使用的声信号由于传播速度并不是很慢，而且衰减较小，所以在水下通信应用广泛。水下通信面临着许多问题是信道干扰严重，水下海洋生物的噪声以及海面随机运动等问题；由于发送端和接收端存在相对运动产生的多普勒效应以及信道带宽小等问题。由于水下通信面临的问题，所以对于水声信号的去噪尤为重要。如果文章存在问题，欢迎大家指出。
2023-01-24 00:06:56
836
原创 初学者之路——————bp神经网络
bp神经网络全称为误差反向传播算法，通常是三层结构，输入层，隐含层和输出层。bp神经网络的实质就是通过隐含层对复杂非线性问题通过正向传播和反向传播修正网络各层节点连接的权重值进行线性拟合。拟合的具体效果就是通过梯度下降法使得误差函数最小，但是有时候bp神经网络中存在超参数，即不能通过梯度下降法求得最优解。超参数的存在很容易产生非凸优化问题，即存在多个局部最优解，很难找到全局最优解。bp神经网络通过正向传播计算误差，通过反向传播修改参数。这种算法很简单有效，但也很有可能陷入局部极值，导致训练失败。
2023-01-22 23:26:05
464
原创 初学者之路——————离散卷积
卷积这个概念，第一次接触的时候是在大一，当时以为只需要记下运算方法，而从没思考过背后含义，最近学了cnn，就重新回顾了一下卷积。由于像素点的存在，图像领域中的预处理操作一般需要离散卷积，其实是对图像进行锐化或者模糊等操作。具体的处理效果取决于卷积核的选取，而合理的卷积核可以通过cnn计算出来。尽管卷积一般都会扩大数组，图像领域一般会进行截取选择最大匹配长度。离散卷积在概率论典型的例子是计算两个相同骰子点数和问题，通过翻转，再滑动进行乘积运算，最后求和。由特殊到一般，将概率参数化，就能得到一般的离散卷
2023-01-21 22:30:41
583
原创 初学者之路—————水下目标检测问题
水下目标检测与传统路面目标检测有许多不同，具体体现在数据集较少，噪声影响大以及小目标较多等。首先是水下目标的数据集获取相对困难，而且杂乱无章。一般水下的图像获取方式采用的是声纳而非照相机，使得样本数据集少，而且不同海域生物种类差异很大，使得分类更为繁琐和困难。其次是水下环境，声纳图像获取时采用的是声波，不可避免会受到波长相关的吸收和散射等影响，严重降低了水下图像的质量。因此，水下图像的预处理尤为重要，极大影响了目标检测性能。最后是水下图像一般是几百米甚至几千米的目标检测，而路面上的图像往往距离只
2023-01-20 23:01:02
1347
原创 初学者之路——————卷积神经网络
卷积神经网络简称CNN，主要是把卷积代入传统神经网络的全连接层的一种神经网络。卷积神经网络分为卷积层，池化层和全连接层。卷积层利用卷积核与输入图像进行卷积得到特征图，简化计算传统冗余大而且容易过拟合的全连接层，而且可以抵抗图像平移等所带来的影响。池化层主要是进行降低卷积层的冗余，由于相近的像素点的信息一般是接近的，所以通过池化层把多维的图像进行降纬。全连接层通过激活函数进行输入图像的激活，与卷积层配合，完成从局部到整体的特征分析。可能存在问题，欢迎大家指出。
2023-01-20 00:00:18
173
原创 初学者之路—————目标检测中的神经网络
目标检测领域中，神经网络在目标检测算法中普遍存在。由此，目标检测必定包括分类和回归问题，分类是把图像背景和目标进行区分，预测是对于目标所属类别进行预测和划分。目标检测中，神经网络一般是卷积神经网络，这种网络可以把感受野放大，即把卷积神经网络每一层输出的特征图上的像素点映射在输入图像的区域放大。目标检测中，不仅需要卷积神经网络在深度学习领域中的语义信息，也需要底层信息。明天想学习一下CGAN的内容，文章如果存在问题，欢迎大家指出。
2023-01-18 23:26:01
430
原创 初学者之路———————目标检测（补）
目标检测的核心问题是分类、定位、大小和形状问题，图像识别的四大任务是分类、定位、检测和分割。目标检测候选框的生成中有滑动窗口法和选择性搜索法。滑动窗口法具体是把输入图像进行不同窗口大小的滑窗进行从左到右、从上到下的滑动，每次滑动对当前窗口执行分类器。由于滑动窗口法是全局搜索，但是对于一幅图，一般地，背景是大于目标的，所以滑动窗口法实时性较差。选择性搜索是对于图像中目标存在的区域进行子区域合成，主要是先将图像进行分割成许多小的子区域，然后根据子区域的相似性进行迭代合并。如果文章存在问题，欢迎大家指
2023-01-18 01:00:08
262
原创 初学者之路——————cycleGAN（补）
今天回顾了cycleGAN网络，有了新的认识。首先是对于cycleGAN的循环一致性。输入图像x经过生成器G生成的虚假图像Y与目标图像对比，与虚假图像Y作为输入，经过生成器F输出一个新的图像x^与输入图像x对比。循环一致性要求生成器生成的图像Y难以被辨别器判定为假，虚假图像反过来生成的新图像x^和输入图像x的真假难以分辨。两者缺一不可，缺了任意一个，都会导致效果大幅度下降。尤其防止了生成器和判别器忽略输入图像，只生成风格相同的其他画像。如果存在问题，欢迎大家指出。
2023-01-17 00:24:38
252
原创 初学者之路——————pix2pix（补）
pix2pix利用L1损失函数捕捉低频信息，利用判别器捕捉高频信息，实现图像复现。低频信息主要是指图像亮度或者灰度值变化较慢的信息，高频信息主要指图像变化剧烈的部分，包括图像边缘和噪声以及一些细节。pix2pix采用L1+CGAN+U-net结构。L1指的是一维范数损失函数，主要是目标值和估计值的绝对值偏差。CGAN可以将输入图像作为条件，通过学习输入图像和输出图像之间的映射关系，从而得到预期的目标图像。U-net部分可以将第i层和第n-i层进行直接沟通，从而避免了图像低频信息损失。pix2pix对
2023-01-15 23:35:25
536
原创 初学者之路——————pix2pix
pix2pix是对像素点与像素点进行对应，整合了许多之前需要单独分类的问题。pix2pix本质还是一种生成对抗网络，由用户输入图像，然后经过生成器生成虚假图片，再由判别器对虚假图片和用户输入图片这一组图片进行判别。自监督的方法解决了普通cnn需要人工进行特征的选择，而且也改善了图像的清晰度。pix2pix的优化过程主要是采用L1而不是L2距离，避免了图像模糊问题。因为对于像素点的欧式距离进行惩罚，很容易导致计算机为了避免犯错，生成模糊边界框的图像。今天论文没看完，明天继续看，如果有问题，欢迎大家
2023-01-14 23:33:23
412
原创 初学者之路——————目标检测基本概念
IOU（交并比）用来度量预测框和真实框的重叠程度，公式使用预测框和真实框的交集与二者的并集做除。值越高，模型预测越准确，反之越差。anchors指的是基于一个中心点创建出的大小和长宽比的框，有好几种划分标准。one-stage和two-stage，one-stage直接通过anchors进行分类和调整边界框,two-stage则先进行生成候选框，之后再进行调整。如果有错误，欢迎大家指出。
2023-01-13 23:51:47
149
原创 初学者之路——————语义分割和实例分割
计算机视觉领域中，当图像涉及的是单个目标时，一般进行的是分类和定位；当图像涉及多个目标时，这个时候要进行目标检测或图像分割。对于图像分割，分为语义分割和实例分割。语义分割是对于像素进行类别分类而不需要对像素点进行所属目标的划分，实例分割是对同一个类别的不同实例进行区分。简单来说，语义分割是把像素点进行类别划分，但是同一个类别所属的不同目标并不进行区分。实例分割就是语义分割的基础上再把图像从同一个类别的不同对象进行分割。如果有问题，欢迎大家指出。
2023-01-13 00:01:31
594
原创 初学者之路———————yolo补充
yolo的基础策略是“分而治之”，这种策略在对于单图像大中目标识别具有很大优势，但是对于小目标检测就存在问题，增加分类的规模势必带来计算成本的提升而且不容易进行合理的划分。yolo的误差函数包括分类预测损失、坐标预测损失和置信度预测损失。置信度指的是对于边界框内物体的正负样本判断，大于置信度阈值成为正样本，反之就是负样本即属于背景。由于yolo是单阶段网络，所以误差函数可以对整个系统进行调整，从而加快了程序的运行时间，使得实时性增强。yolo还有nms机制，用于调整后的边界框进行重复判定，抑制同一个
2023-01-11 23:14:50
121
原创 初学者之路———————yolo
yolo全称you only look once，它的提出打破了r-cnn的统治地位，也解决了r-cnn里实时检测不足的问题。r-cnn由于需要rpn提供“注意力”，由于需要rpn网络，增加了运算负担，使得实时性较差。yolo则采用一种s*s的划分方法，简单地划分了注意力区域。yolo是采用回归思想，运用类别概率和置信度对目标进行检测，具有很强的可扩展性。看yolo综述第一天，还没看完，后续看完之后第一时间补充，如果有问题，也希望大家指出。
2023-01-10 22:36:33
150
原创 初学者之路———————语义信息
上周学习过程中，两篇论文里都有一些不太理解的知识点，比如语义信息和注意力等。计算机领域里，语义信息主要指有意义的数据提供的信息，能够消除信息中的一些不确定性。图像领域，语义信息一般指的是目标区域像素和周围区域像素之间的关联性。注意力是参照人类而言的，主要是指如何让计算机关注到人类感兴趣的目标区域。回顾自己上周的学习，首先是对小目标的特性和检测的难度有了一些认识，其次是了解了小目标检测算法中的一部分方向，最后是对深度学习算法在小目标检测的广泛前景充满期待。目前寒假学习了一周，希望自己能够一直坚
2023-01-09 22:39:27
878
原创 初学者之路——————rpn和快速r-cnn
传统小目标检测算法一般都需要较大的计算量，对于计算机的性能要求较高。但是rpn和快速r-cnn共享卷积，所以基本不需要任何额外计算时间。rpn是一种全卷积网络，可以判断需要处理的图片区域，降低推断时的计算量。rpn需要的是端对端的训练，从而生成高质量的用于快速r-cnn检测的推荐区域。fast r-cnn主要由生成推荐区域的全卷积网络和使用该推荐区域的快速r-cnn检测器构成。寒假学习第五天，如果有不对的地方，欢迎指正。
2023-01-08 23:06:54
395
原创 初学者之路—————小目标检测
小目标检测目前面临的不仅仅是像素点少，图像模糊等问题，还面临数据集太单一，无法涵盖多种类型的检测。目前小目标检测大多用于行人检测、人脸识别、失物招领和自动驾驶等领域，但是在动态图像中，由于捕捉难度增加和时间空间信息变化等问题，小目标检测精度仍然有较大，而且还要求简化算法计算量以适应多种设备的要求。一些学者提出可以通过在时间和空间相关的流上进行研究，也希望能够建立一个完备的多类型小目标样本集。寒假学习中，如果有问题，欢迎大家指出。
2023-01-07 22:38:30
387
原创 初学者之路—————小目标检测
今天跟导师讨论了一下自己的课题，被教育一番之后开始看小目标检测的综述论文。小目标检测目前面临的问题主要是区域较小、分辨率低、噪声影响大以及边缘位置不利于检测等。因为小目标的像素少，能够提取的特征信息就少，传统中大目标的检测方法难以奏效。深度学习理论和技术的发展，使得小目标检测精度得以提升。基于GAN、上下文信息结合、数据增强、多尺度学习和无锚机制方法等方法，大大提高了小目标检测性能。对于GAN方法，简而言之，我们可以通过训练对抗生成网络，对于模糊图像，利用生成器生成超分辨率的图像，以便于检测。上
2023-01-06 21:49:12
387
原创 初学之路—————eclipse和jdk安装
今天试着安装eclipse，安装过程遇到了配置jdk的问题，因为是第一次安装eclipse，所以在进行配置jdk操作的时候一直找不到安装路径。后来自己百度和搜视频才知道，需要先下载jdk，而且只有8u201以及之前的版本才是免费的。安装好之后，还有个问题，就是希望能够 进行python环境的搭建，但是因为下载的版本是2022.12月的最新版，在进行help—>Install New Software—>Add过程中，没有出现Pyrenees Mylan Integratin (opt
2023-01-05 22:26:54
502
原创 初学者之路—————Cycle GAN
Cycle GAN主要是用于非成对图像转换，简而言之，就是不需要成对具有对应关系的图像进行风格转换，而只需要非成对的目标图像和原始图像即可。Cycle GAN相比于普通GAN多了一个生成模型和判别器，即把变换后的图像再进行反变换后与原始图像比较。这种双生成模型和双判别器可以保证生成的目标图像和原始图像不仅在风格上一致，在图形的形状和大小上也能尽量保持一致。Cycle GAN的对抗性体现在生成器希望能够生成使判别器判别为真的虚假图像，而判别器希望能够正确判别出真实图像和生成图像。相对应的，此时的损失
2023-01-04 23:02:19
619
原创 初学者之路——————对抗神经网络
对抗神经网络可以理解成由两个相互对抗博弈的网络，即生成模型和辨别模型之间进行零和博弈。具体可理解成生成模型对于一系列真实的样本集合进行模拟生成一系列类似的相同分布的样本集合，由辨别模型对真实样本集合和生成的样本集合进行识别辨认出真假。在对抗过程中，生成模型通过自我优化尽可能生成让辨别模型无法成功辨认的贴近真实样本集合的数据集合（辨别出真实和虚假的概率各为0.5即可认为无法有效识别），而辨别模型也通过自我优化成功分辨出真实和虚假的样本。GAN损失函数的最优解要求最大化辨别模型的分辨率，最小化生成模型和
2023-01-03 21:59:22
1288
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人