笔记：计算机视觉与深度学习-北邮-鲁鹏-2020年录屏-第四讲

最新推荐文章于 2023-12-28 13:40:23 发布
最新推荐文章于 2023-12-28 13:40:23 发布
阅读量675 收藏 4
点赞数 1
分类专栏： 学习笔记-CV 文章标签： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_45562510/article/details/115588072
版权

笔记：计算机视觉与深度学习-北邮-鲁鹏-2020年录屏

写在开头（重复的）

1.课程来源：B站视频.
2.笔记目的：个人学习+增强记忆+方便回顾
3.时间：2021年4月12日
4.同类笔记链接：（钩子：会逐渐增加20210428）
第一讲.第二讲.第三讲.第四讲.第五讲.第六讲.第七讲.第八讲.第九讲.第十讲.第十一讲.番外篇一个简单实现.第十二讲.第十三讲.第十四讲完结.
5.请一定观看视频课程，笔记是对视频内容的有限度的重现和基于个人的深化理解。
6.注意符号 SS：意味着我的个人理解，非单纯授课内容，有可能有误哦。

—以下正文—

一、全景预览（共11个问题）

最低0.47元/天 解锁文章
【北邮鲁鹏老师计算机视觉课程笔记】01 introduction
weixin_44184852的博客
02-10 2002
首先谈谈智能的概念，1997年的人工智能系统“深蓝”，战胜了国际象棋的世界冠军。2015年和2017年AlphaGo战胜了李世石和柯洁。但是这是不是真的智能，现在的人工智能系统能下棋，但是它不能创作诗歌超过人类最优秀的诗人。从这个角度看，这并不是真的智能，它有一个很好的搜索算法，去搜索出最优解。因此，现在只能在数理和数学计算上部分实现人类的智能。感知 + 解释人类的视觉系统机器视觉系统机器看到的是什么？是一个灰度图，是一个二维矩阵300 * 400语义鸿沟：从像素到语义内容。存在的极大的差距。
【北邮鲁鹏老师计算机视觉课程笔记】09 Segmentation 分割
weixin_44184852的博客
02-14 1393
【北邮鲁鹏老师计算机视觉课程笔记】09 Segmentation 分割。
北京邮电大学-计算机视觉-鲁鹏 《课件-作业-数据集》
最新发布
04-21
北京邮电大学-计算机视觉-鲁鹏 《课件-作业-数据集》
计算机视觉与深度学习-卷积神经网络-卷积&图像去噪&边缘提取-卷积-[北邮鲁鹏]
m0_49683806的博客
09-15 868
上述定义中，卷积运算将函数 g(x)（或 g[n]）沿着 x 轴（或 n 轴）进行翻转，并与函数 f(x)（或 f[n]）逐点相乘，然后对乘积进行积分（或求和）来获得新的函数 (f * g)(x)（或 (f * g)[n]）。
计算机视觉与深度学习-图像分割-视觉识别任务02-目标检测-【北邮鲁鹏】
m0_49683806的博客
09-20 1181
目标检测的目标是确定图像中存在的目标的类别，并在图像中标记出它们的位置，通常使用边界框来表示目标的位置和大小。
计算机视觉（北邮鲁鹏）学习笔记（三）
路双宁的博客
12-10 886
如何从边缘的基础上给出物体的描述？ 面临的问题： 噪声 外点 丢失数据 总览 如果我们知道所有属于某条线上的所有点，可以使用最小二乘的方法。 如果不属于该线上的点（噪声点）比较多，可以使用RANSAC方法。 如果有很多线，其他线对于我取某条线来说都是噪声，可以用RANSAC或者Hough transform的思想。 线都不确定，snake（蛇形模型） 最小二乘（Least squares） 许多机器学习的入门课程都有关于最小二乘的详细描述，老师在这里使用的是 正规方程（Normal Equatio
【计算机视觉】计算机视觉与深度学习-02-图像分类-北邮鲁鹏老师课程笔记
星辰不问
04-21 4944
计算机视觉与深度学习-02-图像分类-北邮鲁鹏老师课程笔记
笔记：计算机视觉与深度学习-北邮-鲁鹏-2020年录屏-第七讲
weixin_45562510的博客
04-14 668
笔记：计算机视觉与深度学习-北邮-鲁鹏-2020年录屏 写在开头（重复的） 1.课程来源：B站视频. 2.笔记目的：个人学习+增强记忆+方便回顾 3.时间：2021年4月14日 4.同类笔记链接：（钩子：会逐渐增加20210414） 第一讲. 第二讲. 第三讲. 第四讲. 第五讲. 5.请一定观看视频课程，笔记是对视频内容的有限度的重现和基于个人的深化理解。 6.注意符号 SS：意味着我的个人理解，非单纯授课内容，有可能有误哦。 —以下正文— 前讲回顾（00：00-08：54） 深刻理解卷积（只有明白了卷
计算机视觉（北邮鲁鹏）学习记录
w2563216521的博客
12-28 3330
计算机视觉（北京邮电大学版）学习笔记，期末预习
【计算机视觉】计算机视觉与深度学习-07-目标检测-北邮鲁鹏老师课程笔记
星辰不问
05-04 3054
计算机视觉与深度学习-08-目标检测-北邮鲁鹏老师课程笔记
计算机视觉与深度学习-前言
NanKo的博客
10-02 1568
以下内容是自己学习北京邮电大学鲁鹏副教授计算机视觉基础课程的一些笔记，笔者能力有限，如有错误还望各位大佬在评论区批评指正。 先贴一下课程的官网：CV-XUEBA 1什么是计算机视觉？ ...
计算机视觉与深度学习-图像分类任务
NanKo的博客
10-05 604
以下内容是自己学习北京邮电大学鲁鹏副教授计算机视觉与深度学习课程（A02）的一些笔记，笔者能力有限，如有错误还望各位大佬在评论区批评指正 。 先贴一下课程官网：CV-XUEBA 书接上篇。地址：计算机视觉与深度学习-1 上篇中着重记录了图像分类的难点。 1、基于规则的分类方法是否可行？ 在设计图像分类系统时比较重要的就是设计分类器。先来看一下框架: def classify_image(image): # Do something magical here return cla.
【学习笔记2】【dropout / 模型正则 / 超参数调优】--《计算机视觉与深度学习 北京邮电大学 鲁鹏》
qq_39321513的博客
06-16 293
应对过拟合 弹幕补充的很好 L2正则化形成的分界面不会那么极端。分界面更平滑，形不成很复杂的分界面，考虑的是大多数人的利益。 随机失活 解释2：鼓励神经元学习更多类型的特征，不要只是学习单一特征（鼓励神经元做个不是样样精通的全才，而不是只精通一样的专才） 解释3：小网络的集成，使得网络更稳定一些。投票法。使得鲁棒性强。 这样做的好处是可以给他弄成一个dropout层，不用管预测阶段了。！！！ H'=dropout(p,H) ...
北京邮电大学 计算机视觉与深度学习 鲁鹏 计算机视觉概述课程手迹
Eleven_665的博客
04-26 505
发展过程：系统出现-物种大繁荣 >> 理论研究-猫视觉神经 >> 积木世界 >> MIT图像处理暑期。课程：图像处理-CS131，图像结构-CS231a，图像理论-CS230/CS231n。IBM-深蓝，Google-AlphaGo >> 机器赢得象棋胜利 = 强大的搜索算法。计算机视觉先驱-David Marr提出的三大板块：计算理论，表达&算法，硬件实现。计算机视觉=输入(认知神经科学-理论, 运用方法&算法, 硬件)+输出(机器人)为什么David Marr提出的三大板块是CV的先驱？
【计算机视觉与深度学习北邮鲁鹏】自学笔记
一只活活泼泼快快乐乐的萨摩耶的博客
11-01 2072
【计算机视觉与深度学习北邮鲁鹏】自学笔记
计算机视觉（北邮鲁鹏）学习笔记（一）
路双宁的博客
12-10 1283
课程地址：https://www.bilibili.com/video/BV1nz4y197Qv 课件地址：https://github.com/CV-xueba/A01_cvclass_basic 卷积 定义 fff是图像的矩阵，ggg是卷积核（一个n×nn \times nn×n的矩阵）。 卷积f∗gf*gf∗g的数学表达式为： (f∗g)[m,n]=∑k,lf[m−k,n−l]g[k,l] (f*g)[m,n] = \sum_{k,l}f[m-k,n-l]g[k,l] (f∗g)[m,n]=k,l∑​
【计算机视觉】计算机视觉与深度学习-01-计算机视觉相关介绍-北邮鲁鹏老师课程笔记
星辰不问
04-20 4020
【计算机视觉】计算机视觉与深度学习-01-前言-北邮鲁鹏老师课程笔记
计算机视觉系列二（全连接神经网络）北京邮电大学-鲁鹏
peacefairy的博客
04-04 439
全连接神经网络 1、概览 2、分类模型 2.1 多层感知机 全连接神经网络级联多个米那换来实现输入到输出的映射。 因为线性只能解决线性可分的问题，所以引入全连接来解决非线性可分的问题。 在线性分类器中，表示了每个类别的模板 在非线性分类器中，自己可以定义多个模板，来充分的表示输入。 2.2 激活函数 常用的激活函数及其优缺点。 3、损失函数 3.1 softmax与交叉熵 softmax可以把分数数值变换为概率，由于分数可能为负数，所以采用了指数幂的方式来计算各个分数的占比。 有了各个类别的概率，引入了
生成网络-学习笔记 鲁鹏-北邮
weixin_44796129的博客
11-07 135
VAE的编码器与自编码器不同，自编码器是直接得到输出z（编码），而VAE的编码器输出是一个概率分布，其中m为分布均值，σ为分布方差。e是方差范围内的采样值，e与exp(σ)做乘积，得到的值作为偏移量与m相加后最为最后输出（带有噪声的）编码。A：解码器只能生成已有的图片，如输入满月与半月的图像，希望生成中间状态的月亮，只是用解码器是无法实现的。2. 训练完后的编码器作为有监督学习的初始特征提取模型（利用少量有标签的数据，训练最终的网络）。其中，噪声的方差σ是从数据中学到的，取exp是为了保证是一个正数。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值