<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[LeoLee]]></title><description><![CDATA[纸上得来终觉浅，绝知此事要躬行]]></description><link>https://blog.youkuaiyun.com/qq_42013574</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qq_42013574]]></copyright><item><title><![CDATA[实时面试辅助排查清单：音频来源、问题输入与上下文]]></title><link>https://blog.youkuaiyun.com/qq_42013574/article/details/164628942</link><guid>https://blog.youkuaiyun.com/qq_42013574/article/details/164628942</guid><author>qq_42013574</author><pubDate>Tue, 08 Sep 2026 17:43:47 +0800</pubDate><description><![CDATA[远程面试前，摄像头有画面、耳机能听见，并不能说明所有输入都已准备好。如果你准备在获得许可的练习或面试中使用语音转写和 AI 辅助，最好单独检查问题输入、声音来源和本场资料。可以关闭不需要的辅助，确认会议声音正常，再在允许的情况下使用手动输入等方式。可以先说一句自己的测试内容，再播放一小段允许使用的测试音频。出现“我听见了，页面却没有识别”的情况，依次检查：会议软件的输出设备、电脑音量、伴随程序的连接状态、系统授权，以及页面显示的来源状态。以下检查不需要真实面试数据，用自己说的测试句或已获许可的材料即可。]]></description><category></category></item><item><title><![CDATA[《小目标目标检测的解决方法及方式》]]></title><link>https://blog.youkuaiyun.com/qq_42013574/article/details/110221360</link><guid>https://blog.youkuaiyun.com/qq_42013574/article/details/110221360</guid><author>qq_42013574</author><pubDate>Fri, 27 Nov 2020 10:07:49 +0800</pubDate><description><![CDATA[《小目标目标检测的解决方法及方式》
最近在做小目标相关的项目，参考了一些博客、论文及书籍，在这里对小目标的方法和方式做了些总结。如果有哪些问题理解错误或补充欢迎讨论。
1.什么是小目标检测
在物体检测的各种实际应用场景中，为满足需求，我们通常希望检测出不同大小的物体。多尺度也是物体检测与图像分类两个任务的一大区别。分类问题通常针对同一种尺度，如ImageNet中的224*224大小；而物体检测中，模型需要对不同尺度的物体都能检测出来，这要求模型对于尺度要具有鲁棒性。在多尺度的物体中，大尺度的物体由于面积大、]]></description><category></category></item><item><title><![CDATA[物体检测之损失函数：标准交叉熵损失、平衡交叉熵损失、 Focal Loss]]></title><link>https://blog.youkuaiyun.com/qq_42013574/article/details/105864230</link><guid>https://blog.youkuaiyun.com/qq_42013574/article/details/105864230</guid><author>qq_42013574</author><pubDate>Thu, 30 Apr 2020 16:34:07 +0800</pubDate><description><![CDATA[1.标准交叉熵损失
标准的交叉熵（Cross Entropy，CE）函数，其形式如下所示。

公式中，p代表样本在该类别的预测概率，y代表样本标签。可以看出，当标签为1时，p越接近1，则损失越小；标签为0时p越接近0，则损失越小，符合优化的方向。
标准的交叉熵中所有样本的权重都是相同的，因此如果正、负样本不均衡，大量简单的负样本会占据主导地位，少量的难样本与正样 本会起不到作用，导致精度变差。
为...]]></description><category></category></item><item><title><![CDATA[物体检测之非极大值抑制：NMS、softNMS、softerNMS、IoU-Net]]></title><link>https://blog.youkuaiyun.com/qq_42013574/article/details/105810971</link><guid>https://blog.youkuaiyun.com/qq_42013574/article/details/105810971</guid><author>qq_42013574</author><pubDate>Tue, 28 Apr 2020 15:17:14 +0800</pubDate><description><![CDATA[当前的物体检测算法为了保证召回率，对于同一个真实物体往往会有多个的候选框输出。由于多余的候选框会影响检测精度，因此需要利用NMS过滤掉重叠的候选框，得到最佳的预测输出。当前有如下几种较为常见的NMS方法，

1.基本NMS
非极大值抑制， 顾名思义就是抑制不是极大值的边框，这里的抑制通常是直接去掉冗余的边框。

这个过程涉及以下两个量化指标：
1.预测得分：NMS假设一个边框的预测得分越高，这个框...]]></description><category></category></item><item><title><![CDATA[轻量化网络-squeezeNet、MobileNet、ShuffleNet]]></title><link>https://blog.youkuaiyun.com/qq_42013574/article/details/105789696</link><guid>https://blog.youkuaiyun.com/qq_42013574/article/details/105789696</guid><author>qq_42013574</author><pubDate>Mon, 27 Apr 2020 15:07:27 +0800</pubDate><description><![CDATA[对于轻量化的网络设计，目前较为流行的有SqueezeNet、 MobileNet、ShuffleNet等结构。其中，SqueezeNet采用压缩再扩展的结构，MobileNet使用了效率更高的深度可分离卷积，而ShuffleNet提出了通道混洗的操作，从而进一步降低了模 型的计算量。

SqueezeNet

...]]></description><category></category></item><item><title><![CDATA[Python数据存储：pickle模块的使用讲解]]></title><link>https://blog.youkuaiyun.com/qq_42013574/article/details/103082275</link><guid>https://blog.youkuaiyun.com/qq_42013574/article/details/103082275</guid><author>qq_42013574</author><pubDate>Fri, 15 Nov 2019 11:30:28 +0800</pubDate><description><![CDATA[机器学习中，我们常常需要把训练好的模型存储起来，这样在进行决策时直接将模型读出，而不需要重新训练模型，这样就大大节约了时间。Python提供的 pickle模块就很好地解决了这个问题，它可以序列化对象并保存到磁盘中，并在需要的时候读取出来，任何对象都可以执行序列化操作。

Pickle模块中最常用的函数为：

（1）pickle.dump(obj, file, [,protocol])

...]]></description><category></category></item><item><title><![CDATA[Opencv.VideoWriter()函数]]></title><link>https://blog.youkuaiyun.com/qq_42013574/article/details/102410633</link><guid>https://blog.youkuaiyun.com/qq_42013574/article/details/102410633</guid><author>qq_42013574</author><pubDate>Tue, 08 Oct 2019 20:51:58 +0800</pubDate><description><![CDATA[import numpy as np
import cv2

cap = cv2.VideoCapture(0)

//定义视频编码器
//这里有必要提一下fourcc
//FourCC全称Four-Character Codes，代表四字符代码 (four character code), 它是一个32位的标示符，其实就是typedef unsigned int FOURCC;是一种独立标示视...]]></description><category></category></item><item><title><![CDATA[Python 返回目录os.getcwd()函数用法]]></title><link>https://blog.youkuaiyun.com/qq_42013574/article/details/102408505</link><guid>https://blog.youkuaiyun.com/qq_42013574/article/details/102408505</guid><author>qq_42013574</author><pubDate>Tue, 08 Oct 2019 20:11:53 +0800</pubDate><description><![CDATA[os.getcwd()函数：返回当前进程的工作目录。


import os, sys

# 切换到 "/var/www/html" 目录
os.chdir("/var/www/html" )

# 打印当前目录
print ("当前工作目录 : %s" % os.getcwd())

# 打开 "/tmp"
fd = os.open( "/tmp", os.O_RDONLY )

# 使用 os...]]></description><category></category></item><item><title><![CDATA[python路径拼接os.path.join()函数的用法]]></title><link>https://blog.youkuaiyun.com/qq_42013574/article/details/102406839</link><guid>https://blog.youkuaiyun.com/qq_42013574/article/details/102406839</guid><author>qq_42013574</author><pubDate>Tue, 08 Oct 2019 19:50:15 +0800</pubDate><description><![CDATA[os.path.join()函数：连接两个或更多的路径名组件

1.如果各组件名首字母不包含’/’，则函数会自动加上

demo1


import os

Path1 = 'home'
Path2 = 'develop'
Path3 = 'code'

Path10 = Path1 + Path2 + Path3
Path20 = os.path.join(Path1,Path2,Path3)
...]]></description><category></category></item><item><title><![CDATA[百度深度学习工程师认证（已通过）]]></title><link>https://blog.youkuaiyun.com/qq_42013574/article/details/99099059</link><guid>https://blog.youkuaiyun.com/qq_42013574/article/details/99099059</guid><author>qq_42013574</author><pubDate>Sat, 10 Aug 2019 18:50:23 +0800</pubDate><description><![CDATA[考试时间：2019.8.24

本人图像处理与模式识别专业，有一定的基础。

10多天之后参加百度深度学习工程师认证，记录中



考试参考资源：

https://ai.baidu.com/paddlepaddle/openCourses（个人感觉讲的不是很好，有点无趣（背书），最好是结合博客及相关文献进行了解）

第一天：

机器学习入门

第1章

监督学习与非监督学习简介



第2章

...]]></description><category></category></item><item><title><![CDATA[SIFT算法]]></title><link>https://blog.youkuaiyun.com/qq_42013574/article/details/97494958</link><guid>https://blog.youkuaiyun.com/qq_42013574/article/details/97494958</guid><author>qq_42013574</author><pubDate>Sat, 27 Jul 2019 10:53:51 +0800</pubDate><description><![CDATA[SIFT算法简介

 SIFT算子是一种图像的局部描述子，具有尺度、旋转、平移的不变性，而且对光照变化、仿射变换和3维投影变换具有一定的鲁棒性。在Mikolajczyk（在参考文献中有个下载链接，包括了这些论文，0积分）对包括SIFT算子在内的十种局部描述子所做的不变性对比实验中，SIFT及其扩展算法已被证实在同类描述子中具有最强的健壮性。

 SIFT算法的主要思想是在尺度空间寻找极值...]]></description><category></category></item><item><title><![CDATA[车牌识别系统设计总结]]></title><link>https://blog.youkuaiyun.com/qq_42013574/article/details/96439088</link><guid>https://blog.youkuaiyun.com/qq_42013574/article/details/96439088</guid><author>qq_42013574</author><pubDate>Fri, 19 Jul 2019 11:30:24 +0800</pubDate><description><![CDATA[车牌识别系统

本次项目的主要流程分为如下几步：

1.图像预处理

2.车牌定位

3.车牌定位

4.字符分割

5.字符识别

车牌识别系统实现流程图如下图所示：







车牌识别系统步骤：

1.图像预处理

输入原始图像：



图像预处理流程图：

                               ...]]></description><category></category></item><item><title><![CDATA[SVＭ（支持向量机）算法介绍]]></title><link>https://blog.youkuaiyun.com/qq_42013574/article/details/93601375</link><guid>https://blog.youkuaiyun.com/qq_42013574/article/details/93601375</guid><author>qq_42013574</author><pubDate>Tue, 25 Jun 2019 14:57:11 +0800</pubDate><description><![CDATA[最近正好有时间将SVM的推导整理一遍，借此文章记录自己的学习过程， 在本文中借鉴了T老师的讲义和一些博文，以及李航的统计学习方法，若有不足之处，望海涵。

SVM

svm算法通俗的理解在二维上，就是找一分割线把两类分开，问题是如下图三条线都可以把红色点和黄色点分开，但哪条线是最优的呢？如果数据本身比较难分怎么办？这都是我们要考虑的问题。







决策边界：选出离样本点最远的线段。

...]]></description><category></category></item><item><title><![CDATA[项目总结：人脸识别签到系统]]></title><link>https://blog.youkuaiyun.com/qq_42013574/article/details/91890538</link><guid>https://blog.youkuaiyun.com/qq_42013574/article/details/91890538</guid><author>qq_42013574</author><pubDate>Mon, 24 Jun 2019 16:40:01 +0800</pubDate><description><![CDATA[人脸识别签到系统项目总结



第一部分：项目简介

实验室人脸识别签到系统

第二部分：项目系统架构设计

2.1业务架构



2.2 技术架构



基础设施：主要是GPU，基于CUDA的开发

学习框架：主要是Dlib Opencv Tensorflow

算法模型：主要是人脸区域检测的算法模型，人脸特征点检测算法模型，人脸对齐算法模型，以及活体检测的算法模型

视觉技术：主要有实时视频...]]></description><category></category></item><item><title><![CDATA[图像旋转的原理与实现]]></title><link>https://blog.youkuaiyun.com/qq_42013574/article/details/92594410</link><guid>https://blog.youkuaiyun.com/qq_42013574/article/details/92594410</guid><author>qq_42013574</author><pubDate>Mon, 17 Jun 2019 12:00:28 +0800</pubDate><description><![CDATA[图像旋转的原理与实现

图像旋转的原理与实现

一般图像的旋转是以图像的中心为原点，旋转一定的角度，也就是将图像上的所有像素都旋转一个相同的角度。旋转后图像的的大小一般会改变，即可以把转出显示区域的图像截去，或者扩大图像范围来显示所有的图像。图像的旋转变换也可以用矩阵变换来表示。设点逆时针旋转角后的对应点为。那么，旋转前后点、的坐标分别是：

(...]]></description><category></category></item><item><title><![CDATA[精确率和召回率]]></title><link>https://blog.youkuaiyun.com/qq_42013574/article/details/92573774</link><guid>https://blog.youkuaiyun.com/qq_42013574/article/details/92573774</guid><author>qq_42013574</author><pubDate>Mon, 17 Jun 2019 10:16:14 +0800</pubDate><description><![CDATA[实际上非常简单，精确率是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本。那么预测为正就有两种可能了，一种就是把正类预测为正类(TP)，另一种就是把负类预测为正类(FP)，也就是
而召回率是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。那也有两种可能，一种是把原来的正类预测成正类(TP)，另一种就是把原来的正类预测为负类(FN)。

其实就是分母不...]]></description><category></category></item><item><title><![CDATA[神经网络中的几种权重初始化方法]]></title><link>https://blog.youkuaiyun.com/qq_42013574/article/details/91963507</link><guid>https://blog.youkuaiyun.com/qq_42013574/article/details/91963507</guid><author>qq_42013574</author><pubDate>Fri, 14 Jun 2019 13:29:28 +0800</pubDate><description><![CDATA[神经网络中的几种权重初始化方法

在深度学习中，对神经网络的权重进行初始化（weight initialization）对模型的收敛速度和性能的提升有着重要的影响。

在神经网络在计算过程中需要对权重参数w不断的迭代更新，已达到较好的性能效果。但在训练的过程中，会遇到梯度消失和梯度爆炸等现象。因此，一个好的初始化权重能够对这两个问题有很好的帮助，并且，初始化权重能够有利于模型性能的提升，以及增快收...]]></description><category></category></item><item><title><![CDATA[Object Detection网络框架学习:SSD]]></title><link>https://blog.youkuaiyun.com/qq_42013574/article/details/90573803</link><guid>https://blog.youkuaiyun.com/qq_42013574/article/details/90573803</guid><author>qq_42013574</author><pubDate>Sun, 26 May 2019 14:07:07 +0800</pubDate><description><![CDATA[SSD(Single Shot MultiBox Detector)是ECCV2016的一篇文章，属于one - stage套路。在保证了精度的同时，又提高了检测速度，相比当时的Yolo和Faster R-CNN是最好的目标检测算法了，可以达到实时检测的要求。在Titan X上，SSD在VOC2007数据集上的mAP值为74.3%，检测速度为59fps。


SSD

SSD效果为什么这么好

...]]></description><category></category></item><item><title><![CDATA[GitHub：目标检测最全论文集锦]]></title><link>https://blog.youkuaiyun.com/qq_42013574/article/details/90512526</link><guid>https://blog.youkuaiyun.com/qq_42013574/article/details/90512526</guid><author>qq_42013574</author><pubDate>Fri, 24 May 2019 10:48:29 +0800</pubDate><description><![CDATA[https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html
]]></description><category></category></item><item><title><![CDATA[Object Detection网络框架学习:YOLOV1]]></title><link>https://blog.youkuaiyun.com/qq_42013574/article/details/90381901</link><guid>https://blog.youkuaiyun.com/qq_42013574/article/details/90381901</guid><author>qq_42013574</author><pubDate>Mon, 20 May 2019 21:16:24 +0800</pubDate><description><![CDATA[YOLO V1是继 RCNN，fast-RCNN 和 faster-RCNN之后，Ross Girshick 针对 DL 目标检测速度问题提出的另外一种框架。YOLO V1 其增强版本在 GPU 上能跑45fps，简化版本155fps。



YOLO

1.YOLO 的核心思想

  YOLO 的核心思想就是利用整张图作为网络的输入，直接在输出层回归 bounding box（边界框） ...]]></description><category></category></item></channel></rss>