- 博客(8)
- 收藏
- 关注
RSS订阅原创 Haar哈尔特征介绍及特征提取步骤
哈尔特征是一种用于检测图像灰度变化的特征提取方法，通过黑白矩形模板组合计算像素差来表征图像局部特征。其具有计算简单、移动不变性等优点，但存在计算量随矩阵增大、缺乏光照不变性等缺点。改进方法包括引入积分图加速计算和图像归一化处理光照影响。实现过程包括积分图计算、特征区域坐标获取和特征值计算三个主要步骤。该方法在保证一定旋转和尺寸不变性的同时，通过特征模板的灵活组合能有效捕捉图像结构信息。
2025-11-12 20:40:59
964
原创 昇腾全栈AI硬件平台
华为昇腾AI平台提供全栈式AI解决方案，涵盖从边缘到数据中心的多样化硬件产品。包括Atlas 200/500系列边缘智能设备（最大40路视频分析、20TOPS算力）、Atlas 300系列推理卡（支持128-256路视频分析）、Atlas 800系列服务器（最高支持1024路视频分析）以及Atlas 900训练集群。该平台采用异构计算架构，具备高性能（最大20TOPS算力单卡）、高能效（72W低功耗）、多场景适配（-40℃~60℃工作温度）等特性，广泛应用于智慧城市、医疗影像、智能制造等领域，支持从边缘推理
2025-11-11 20:50:24
686
原创 LBP算子介绍
LBP（局部二值模式）是一种用于图像纹理分析的算子，通过比较像素邻域灰度值生成二进制编码，转换为十进制作为特征。基本步骤包括：计算每个像素的LBP值、分块统计直方图、拼接特征向量。原始LBP具有计算简单、光照鲁棒等优势，但对旋转敏感、尺度固定。改进方法包括：旋转不变LBP、多尺度圆形LBP、统一模式LBP降维等。最终可通过Python实现核心算法，将3×3邻域比较结果转为二进制并计算十进制值作为纹理特征。这些方法可提升LBP在分类、识别等任务中的性能。
2025-11-07 17:32:13
733
原创 HOG算法直方图算法流程
为什么要用方向梯度直方图（HOG）?我们在日常生活中怎么样去判断一类事物具体是什么，大多数情况我们仅不需要去具体看它的细节仅需要观察这个事物的轮廓边缘就能做出判断，例如：距离很远我们也能从轮廓来判断哪一个是人哪一个是猫。由此可得出图像中的物体的边缘和轮廓时对于图像而言是很重要的特征。而方向梯度直方图就是利用物体边缘的梯度值较大这一特点对图像进行边缘、轮廓特征的提取。方向梯度直方图的基本流程为：图像预处理-->计算梯度--->归一化Block中每个Cell的梯度直方图 --->生成特征向量。
2025-11-05 16:11:27
807
原创 用Glove 构建词汇表的工具函数
GloVe是一种预训练词向量模型，用于将文本转换为语义向量，捕捉词间关系并降低模型训练成本。在MindSpore框架下，可通过加载GloVe词向量文件（如200维版本），解压后逐行提取单词和对应向量，补充特殊符号（<unk>随机向量、<pad>零向量），最后构建词汇表和词向量矩阵。该过程包括文件路径构建、解压检查、向量提取、特殊符号处理及矩阵整合等步骤，最终返回词汇表对象和词向量矩阵，可直接用于模型嵌入层初始化。
2025-10-22 18:03:39
890
原创 RNN网络 数据经过各层维度变化
由于代码中涉及正向和反向隐藏状态，推测为双向 RNN—— 既从序列开头到结尾（前向）、也从结尾到开头（后向）处理序列，从而同时捕捉两个方向的时序依赖关系（如上下文语义），增强对整个序列的理解。前向状态捕捉了从左到右的序列信息，后向状态捕捉了从右到左的序列信息，拼接后可综合两种视角的特征，得到更全面的序列全局表示。100：嵌入维度（embedding dimension），即每个词的整数索引被映射为 100 维的稠密向量（通过嵌入层学习到的语义向量，捕捉词与词之间的关联）。4：表示 “层数 × 方向数”。
2025-10-22 11:25:30
919
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