- 博客(17)
- 收藏
- 关注
RSS订阅原创 。。。。。
YOLOv3作为目标检测领域的里程碑式算法，在保持实时性的基础上实现了精度的大幅提升。通过13×13、26×26、52×52三个尺度的特征图协同工作，系统既能捕捉到宏观场景特征，又能抓取微观细节信息。这种跨层级的特征融合策略，使得车辆识别中小至6×6像素的车牌都能被准确检出，检测精度较前代提升12%。在医疗影像分析中，这种机制使得单个细胞可被同时标记为"病变细胞"和"分裂中期细胞"，诊断准确率提升19%。其平衡精度与效率的设计哲学，为后续的YOLO系列算法奠定了技术范式，持续推动着目标检测技术的演进边界。
2025-03-13 17:18:39
179
原创 。，，，，
核心概念：是经典的one-stage方法，将检测问题转化为回归问题，通过一个CNN实现，可实时检测视频。- 网络架构：基于GoogLeNet改进，包含20层卷积层和全连接层，输入图像大小为448×448×3，输出7×7×30的张量。其中，30 = (x,y,w,h,c)×2 + 20，2表示每个网格预测2个边界框，20代表数据集中的类别数。- 优缺点：优点是速度快、方法简单；- 网络结构优化：采用DarkNet网络，输入为416×416，无FC层，进行5次降采样，通过1×1卷积节省参数。
2025-03-12 16:21:12
188
原创 ？。。。。。。
深度学习方法中，anchor box用ratio和scale描述，有anchor - base（类似滑动窗口法穷举筛选）和anchor - free（自动生成，不穷举）两类；数据集：VOC数据集含4大类20小类，VOC 2007有9963张图片、24640个目标，VOC 2012有23080张图片、54900个目标；Ground Truth格式：包括类别和边界框坐标，常见格式有YOLO（归一化的中心点坐标和宽高）、VOC（左上角和右下角坐标）、COCO（左上角坐标和宽高，非归一化）。
2025-03-11 10:18:40
382
原创 。。。。。。
从五份PPT的梳理中，可以看到一条清晰的演进脉络：**从基础数学模型的构建，到复杂网络架构的迭代，再到工具生态的完善**，每一步都凝聚着人类对智能本质的探索与工程智慧的突破。多层感知机（MLP）的引入，通过隐藏层与非线性的激活函数（如Sigmoid、ReLU），赋予模型“弯曲决策边界”的能力。PPT强调的“局部性”与“平移不变性”原则，正是CNN的核心优势： 局部感知：卷积核仅在局部区域提取特征，减少参数量的同时保留空间关联性；池化操作：通过最大池化或平均池化降维，增强模型对微小形变的鲁棒性。
2025-03-11 10:15:15
408
原创 。。。。。。
随机森林是Bagging的典型代表，具有数据和特征选择的随机性，优势明显，包括能处理高维数据、可判断特征重要性、易并行化、便于可视化等，在Python的 sklearn 库中有对应的分类和回归算法。Boosting算法及AdaBoost：Boosting从弱学习器出发，通过加权训练提升效果，AdaBoost是其典型算法，会根据分类效果调整样本权重，最终根据分类器准确性确定权重并组合成强分类器。集成算法简介：集成学习通过构建并结合多个学习器完成任务，结合策略有简单平均法、加权平均法，结果也可通过投票法产生。
2025-03-05 18:49:23
97
原创 。。。。。
...,test_batchuint8ii, ...,...iifishflowersinsectspeoplereptilestreesvehicles 1vehicles 2...
2025-03-03 17:33:34
448
原创 图像分类项目总结
为了提高模型的性能和准确性，需要深入理解图像分类的三层境界和评估指标，并合理运用迁移学习和数据增强等技术解决样本量过少的问题。图像分类技术旨在将不同的图像划分到不同的类别标签中，以实现最小的分类误差。迁移学习：使用预训练模型（如ImageNet数据集），加速模型收敛，提高模型的泛化能力。定义：模型正确识别出为正类的样本的数量占总的正类样本数量的比值。定义：模型识别为正类的样本中，真正为正类的样本所占的比例。目标：识别并分类特定的个体，如识别并分类特定的狗或猫。重要性：评估模型对正类样本的识别全面性。
2025-02-28 09:07:56
121
原创 PyTorch数据处理与可视化进阶指南
随着2025年PyTorch 2.5版本的发布，新一代工具如TorchData（高性能数据加载库）和TorchViz（轻量可视化插件）进一步降低了开发门槛。Captum库：通过梯度显著性图（如Integrated Gradients）或特征反演，可视化模型关注区域（例如图像分类中的关键像素），提升模型可解释性。自定义批处理逻辑：通过重写DataLoader的collate_fn方法，可灵活处理不同长度的序列数据（如文本或音频），或实现动态填充。
2025-02-27 13:06:06
325
原创 Pytorch数据处理与可视化工具箱探秘
transforms模块提供了丰富的数据预处理操作，无论是针对PIL Image对象的裁剪、旋转，还是针对Tensor对象的归一化、标准化，都能轻松实现。面对散落在不同目录下的图像数据，torchvision.ImageFolder如同一位得力的助手，它能够自动根据目录结构读取图像，并生成对应的标签，极大简化了图像数据集的准备工作。Pytorch的数据处理与可视化工具箱，如同一把瑞士军刀，功能全面且易于上手。无论是数据处理的新手，还是深度学习的老兵，都能从中找到适合自己的工具，助力深度学习之旅。
2025-02-26 17:25:06
261
原创 Pytorch神经网络
nn.functional：类似纯函数，适用于激活函数等，写法如nn.functional.linear，需手动定义和传入参数，不能与nn.Sequential结合，dropout操作无自动转换功能。- nn.Module：继承此类可自动提取可学习参数，适用于卷积层等，写法如nn.Linear等，能与nn.Sequential结合，自动管理参数，dropout操作可自动转换状态。训练模型：步骤包括加载预处理数据集、定义损失函数和优化方法，循环训练模型，循环测试或验证模型，最后可视化结果。
2025-02-25 13:02:14
185
原创 Pytorch神经网络
nn.functional：类似纯函数，适用于激活函数等，写法如nn.functional.linear，需手动定义和传入参数，不能与nn.Sequential结合，dropout操作无自动转换功能。- nn.Module：继承此类可自动提取可学习参数，适用于卷积层等，写法如nn.Linear等，能与nn.Sequential结合，自动管理参数，dropout操作可自动转换状态。训练模型：步骤包括加载预处理数据集、定义损失函数和优化方法，循环训练模型，循环测试或验证模型，最后可视化结果。
2025-02-24 16:31:28
179
原创 【无标题】。。。。。
下采样层：也叫池化层，例如LeNet-5的S2层，有6个14×14的特征图，每个图中的每个像素与C1特征图中的一个2×2领域相连接，不重叠，实现长和宽各减半。- 卷积层：如LeNet-5中的C1层有6个特征图，每个特征图中的每个神经元与输入的5×5卷积核权值相连，特征图大小为28×28。- 局部连接：卷积层中的神经元只与输入数据的局部区域相连，能够捕捉图像的局部特征，符合图像数据的局部相关性特点。- 输入层：通常输入为32×32大小的黑白图像。
2025-02-21 10:10:10
126
原创 卷积神经网络的发展与应用研究报告
卷积神经网络（CNN）通过**参数共享**、**局部感知**和**平移不变性**等机制，显著降低了参数量并提升了图像特征提取能力，成为图像识别的关键技术。- **参数**：核矩阵与偏移为可学习参数，核大小、填充（Padding）和步幅（Stride）为超参数。- **模块化设计**：重复堆叠“3×3卷积+2×2最大池化”块（如VGG-16含16个卷积层）。- **更窄更深**：通过小卷积核堆叠替代大核（如5×5），减少参数并增强非线性。- **卷积编码器**：2个卷积层（5×5核，Sigmoid激活）。
2025-02-20 09:37:07
416
原创 多层识别感知机
**未来方向**：轻量化模型（如MobileNet）部署到边缘设备，增强现实（AR）中的实时识别。- **组合模型的一部分**：CNN提取特征后，MLP作为分类器（如VGG网络的末端）。- **MLP的角色**：作为神经网络基础，理解深度学习原理的关键，适用于小规模或结构化数据。- **CNN主导**：卷积层、池化层自动提取特征，减少参数（权值共享、局部连接）。- **激活函数**：如ReLU、Sigmoid，引入非线性，解决复杂问题。- **组成**：输入层、隐藏层（可多层）、输出层，全连接结构。
2025-02-19 16:34:19
374
原创 线性回归和softmax回归
**模型**：形式为 \( y = \mathbf{w}^T \mathbf{x} + b \)，其中 \( \mathbf{w} \) 是权重，\( b \) 是偏置。- **非典型但可能的场景**：预测图像属性（如物体尺寸、光照强度）或回归任务（如目标检测中的边界框坐标预测）。- **与神经网络的结合**：作为神经网络的最后一层，输出分类概率（如CNN+Softmax）。- **用途**：多分类问题（如手写数字识别、图像类别分类）。- **用途**：处理回归问题，预测连续值（如房价、温度）。
2025-02-18 17:26:51
383
原创 。。。。。
PyTorch是由Meta AI(Facebook)人工智能研究小组开发的一种基于Lua编写的Torch库的Python实现的深度学习库，目前被广泛应用于学术界和工业界，PyTorch在API的设计上更加简洁、优雅和易懂。因此本课程我们选择PyTorch来进行开源学习。
2025-02-17 18:36:20
110
原创 飞机大战。。
else if (i < height - 1 && canvas[i + 1][j] == bullet)//检测是否被子弹击中。if (score % 5 == 0 && Std_Speed >= 12) //分数到达一定程度后下落加快,生成加快。if (score % 5 == 0 && Std_Speed >= 6) //分数到达一定程度后下落加快,生成加快。//j的范围:[2, width - 3]if (i == y && j == x) //打印飞机。
2023-09-26 15:52:15
12
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