Xiongchao99的博客

车牌识别系统总的来说，国内不管科研还是商用方面都很成熟了，基本处于世界先进甚至领先的水平。对于目前常见的收费站、红绿灯路口、学校、机关政府等进出口的固定环境车牌识别准确率基本都可以达到99.5%以上。车牌识别的主要步骤分为：车牌定位、字符分割、字符识别；（1）车牌定位：在车牌识别中是很关键的一步，尤其是对于图像背景较为复杂的情况下，要提高车牌定位准确率也不是件容易的事。车牌定位包括车牌

RCNN RCNN（Regions with CNN features）是将CNN方法应用到目标检测问题上的一个里程碑，由年轻有为的RBG大神提出，借助CNN良好的特征提取和分类性能，通过RegionProposal方法实现目标检测问题的转化。 算法可以分为四步： 1）候选区域选择 Region Proposal是一类传统的区域提取方法，可以看

转载自：http://blog.youkuaiyun.com/fabulousli/article/details/78633531在FCN网络在2104年提出后，越来越多的关于图像分割的深度学习网络被提出，相比传统方法，这些网络效果更好，运算速度更快，已经能成熟的运用在自然图像上。语义分割显然已经是计算机视觉领域的一个热门研究领域，也是通往实现完全场景理解的道路之一，被广泛应用于无人驾驶、人机交互、医疗图

以下问题是在Ubuntu下用faster rcnn(caffe与matlab)训练时所遇到的，我的解决方法不见得对其他人都使用：1、错误使用 containers.Map/values，此容器中不存在指定的键。出错 roidb_from_voc>attach_proposals (line 172)gt_classes = class_to_id.values({voc_rec.objec

转载自：http://blog.youkuaiyun.com/zoro_lov3/article/details/74550735 **FCN制作自己的数据集、训练和测试全流程** 花了两三周的时间，在导师的催促下，把FCN的全部流程走了一遍，期间走了很多弯路，现在记录一下。系统环境：ubuntu 16.04LTS一、数据集的制作 注：我的数据集是仿照VOC数据集进行制作的1.resi

在确保自己安装成功caffe后，import caffe等类似导入时，出现上述错误可以再import caffe前面添加以下两句命令：import syssys.path.insert(0, '/home/hustac/caffe/python') #/home/hustac/caffe/python是我的caffe编译地址

【引子】2013年，来自微软的rbg大神发表了基于深度学习的detection方法：R-CNN。一年以后，大神单枪匹马又将自己之前的工作提升到了一个新的水平（fast R-CNN）。2015年，来自微软亚洲研究院的Shaoqing Ren，Kaiming He研究组在rbg的基础上，进一步地将该方法提升到了实时的水平（faster R-CNN），这也是我们今天的主题。值得说明的

转载自：http://blog.youkuaiyun.com/xingchenbingbuyu/article/details/78784654 秋招各种笔试面试，总结下遇到的图像处理和C++的题目。写下来的都是能记起来的，记不起来的应该也有不少。大概让没有经历过的人知道会遇到什么样的问题，可以提前准备下。除了一下题目之外，最多的还是围绕着你做过的项目来问的。一、图像处理题目注意，一下所有需要

转载自：http://blog.youkuaiyun.com/wei_guo_xd/article/details/78579534环境：Ubuntu16.04+cuda8.0+cudnn6.0+Anaconda3.4.1.1+tensorflow1.4.1+keras2.1.3**注意**：（1）Mask Rcnn要求tensorflow1.3+，而如果需要使用cuDNN的话，tensorflow1

现在，官方版开源代码终于来了。同时发布的，是这项研究背后的一个基础平台：Detectron。官方地址：https://github.com/facebookresearch/DetectronDetectron是Facebook的物体检测平台，今天宣布开源，它基于Caffe2，用Python写成，这次开放的代码中就包含了Mask R-CNN的实现。除此之外，Detectron还包含了ICCV 20...

简介论文地址：Mask R-CNN 源代码：matterport - github代码源于matterport的工作组，可以在github上fork它们组的工作。软件必备复现的Mask R-CNN是基于Python3，Keras，TensorFlow。Python 3.4+TensorFlow 1.3+Keras 2.0.8+Jupyter NotebookNu...

转载自：http://blog.youkuaiyun.com/wei_guo_xd/article/details/78579473matterport/Mask_RCNN官方教程这是一个基于python3,keras和tensorflow的mask rcnn模型。这个模型对图像中的每一个目标实例产生候选框和分割掩膜。这个模型基于特征金字塔网络（Feature Pyramid Network, FPN）和

一. Mask-RCNN 介绍 上篇文章介绍了 FCN，这篇文章引入个新的概念 Mask-RCNN，看着比较好理解哈，就是在 RCNN 的基础上添加 Mask。 Mask-RCNN 来自于年轻有为的 Kaiming 大神，通过在 Faster-RCNN 的基础上添加一个分支网络，在实现目标检测的同时，把目标像素分割出来。 论文下载：Mask R-CN

转载自：http://blog.youkuaiyun.com/u010402786/article/details/72883421 一 全卷积神经网络文章所有代码已上传至github，觉得好用就给个star吧，谢谢https://github.com/315386775/FCN_train深度学习图像分割（FCN）训练自己的模型大致可以以下三步：1.为自己的数据制作label；2.将自

在介绍Faster R-CNN之前，先来介绍一些前验知识，为Faster R-CNN做铺垫。一、基于Region Proposal（候选区域）的深度学习目标检测算法Region Proposal（候选区域），就是预先找出图中目标可能出现的位置，通过利用图像中的纹理、边缘、颜色等信息，保证在选取较少窗口（几千个甚至几百个）的情况下保持较高的召回率（IoU，Intersection-over-Union

深度学习识别与定位的应用：http://www.cnblogs.com/jianzhitanqiao/p/5550344.html

CNN转载自：http://blog.youkuaiyun.com/zhongkeli/article/details/51854619在介绍CNN网络之前，我们先介绍下卷积的含义：大家学习数学时都有学过卷积的知识，微积分中卷积的表达式为：S(t)=∫x(t−a)w(a)daS(t)=∫x(t−a)w(a)da离散形式是：s(t)=∑ax(t−a)w(a)s(t)=∑ax(t−a)w(a)这个式子

第一章 概述第二章 数字图像基本知识1、 彩色图像、灰度图像、二值图像和索引图像区别？答：（1）彩色图像，每个像素通常是由红（R）、绿（G）、蓝（B）三个分量来表示的，分量介于（0，255）。M、N分别表示图像的行列数，三个M x N的二维矩阵分别表示各个像素的R、G、B三个颜色分量。RGB图像的数据类型一般为8位无符号整形，通常用于表示和存放真彩色图像，当然也可以

神经网络之激活函数(Activation Function)转载自：http://blog.youkuaiyun.com/cyh_24/article/details/50593400 本博客仅为作者记录笔记之用，不免有很多细节不对之处。 还望各位看官能够见谅，欢迎批评指正。 更多相关博客请猛戳：http://blog.youkuaiyun.com/cyh_24 如需转载，请附上本文链接：http://blog.

机器学习1、SVM分类器答：SVM算法就是找一个超平面，并且它到离他最近的训练样本的距离要最大。即最优分割超平面最大化训练样本边界。如下图所示，就是将两种不同类别的样本特征分隔开，且分割面要在最优分隔位置：注意：1）两个虚线称为间隔边界，两个虚线间的距离Gap就称为分类间隔（margin），大小为2/||w||，||w||表示向量的二范数也就是该向量的模；例如，

（一）HOG特征1、HOG特征：方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。需要提醒的是，HOG+SVM进行行人检测的方法是法国研究人员Dalal在2

说明：此处暂时简单介绍下各种特征提取算法，后续完善。前言：模式识别中分类器进行分类识别时，判断的依据就是图像特征。最简单的你可以把整幅图像的像素矩阵作为图像特征进行训练和判断分类，但毕竟该特征太过简单并不是都适用，所以下面介绍一下各种分类器训练所需要特征的提取算法，如LBP、不变矩、小波矩。1、LBP特征提取算法答：LBP（Local Binary Patterns，局部二值模式）是提

转载自：http://www.cnblogs.com/rainsoul/p/6247779.html首先将这个问题分为分类问题与检测问题两个方面进行理解：（1）在分类问题中，这个问题相对好理解一点，比如人脸识别中的例子，正样本很好理解，就是人脸的图片，负样本的选取就与问题场景相关，具体而言，如果你要进行教室中学生的人脸识别，那么负样本就是教室的窗子、墙等等，也就是说，不能是与你要研究的问题

转载自：https://blog.youkuaiyun.com/l297969586/article/details/79140840 本文是转载的，但可以做个补充：将model.train()的头结构训练阶段的epochs=1改为较大的数，如100，将全网络训练的epochs=1改为200，可以在tensorboard上得到较为平滑的loss曲线。如果不改，得到的loss曲线是一条直线（只保存了两...