qq_43205656的博客

AHU数字图像作业可以参考

U-Net网络模型（简单改进版）这一段时间做项目用到了U-Net网络模型，但是原始的U-Net网络还有很大的改良空间，随手加了点东西：***下采样的过程中加入了通道注意力和空间注意力（大概就是这样）***代码跑出来后，效果比原来的U-Net大概提升了一个点左右，证明是有效的。...

python实现数据集按比例划分最近在做项目时，需要自己制作数据集，再把数据集划分为训练集和验证集。西瓜书上一般的划分比例是7:3或者8:2，这个代码闲来无事写了一下，比较容易。import osfrom sklearn import model_selectiondef randomSplit(file): #将存放数据集的路径传入 sample = [] trainSet = open(r'***.txt','w') #打开你存放训练集名称的txt文件

SegNet-----论文分析（个人理解）1. 概述：SegNet之前，语义分割的许多方法都是直接采用设计图像分类的方法去解决，虽然有时获得的结果还说得过去，但总体来说比较粗糙。其实很容易理解为什么，在图像分类的过程中，我们都是将特征图进行多次卷积与max pooling，并进行展开为全连接层，最终依赖softmax等函数进行概率的计算，在此过程中，图像经过一系列下采样早已经失去了边界信息，边界信息的丢失对于图像分类没有什么影响，但是图像分割就不一样了，它需要根据边界来细致的将某个物体分割出来。基于这个

图像识别（无参模型）— KNN分类器图像识别的机器学习方法介绍：第一阶段：1.收集大量数据，以及对应的类别(label)2.利用机器学习方法，训练出一个图像分类器F第二阶段：1.对新的图像x，用分类器F预测出类别y=F(x)引入KNN分类器:KNN Classifier(K近邻分类)：训练阶段：只需要记录每一个样本的类别即可测试阶段：计算新图像x与每一个训练样本x(i)的距离d(x,x(i))找出与x距离最近的k个训练样本用这k个训练样本中最多数类别作为x的类别 大概流程说完了，接