y459541195的博客

用labelme自己标注的数据转tusimple格式数据集

1.部署1.1.OpenVINO工具包：在边缘设备基于CNN的深度学习推理支持跨Inter®CPU，Inter ®集成显卡，Inter®FPGA，Inter ®Movidius™神经计算棒，Inter ®神经计算棒2和具有Inter ®Movidius™VPU的Inter ®视觉加速器设计的异构执行通过易于使用的计算机视觉功能库和预先优化的内核加快推理时间包括对计算机视觉标准（包括Op...

1.人脸模糊人脸模糊是一种计算机视觉方法，用于匿名化图像和视频中的人脸，保护身份隐私。思路：输入视频或图像检测出图像中的人脸提取面部感兴趣区域ROI使面部模糊化返回结果，覆盖原图中的区域并显示2.代码环境：win10pycharmanaconda3python3.7opencv4.2.0对于OpenCV尽量用最新版本，可参考这篇仅一个命令行简单快速安装：ht...

1.年龄检测论文地址：《Age and Gender Classification using Convolutional Neural Networks》论文作者提出了一个简单的类似AlexNet的网络结构，该网络总共学习了8个年龄段：0-24-68-1215-2025-3238-4348-5360-100注意：这些年龄段不是连续的首先，要搞懂检测年龄适合用回归还...

之前遇到的一些数据集，自己收集一下，归到一起使用方便，可能不是很全，持续更新汇总。。。1. Image Datasets — 图像数据集DatasetLinkMNISThttp://yann.lecun.com/exdb/mnist/CIFAR-100http://www.cs.utoronto.ca/~kriz/cifar.htmlImagenethtt...

3D卷积神经网络

人脸识别

环境：pycharm + win10 + conda3 + python3.61.构建前馈神经网络训练MNIST首先创建一个神经网络类NeuralNetwork：import numpy as np#定义一个神经网络类class NeuralNetwork: #初始化参数 def __init__(self,layers,alpha=0.1): self....

1. 配置显卡驱动、cuda 和 cudnn2. 配置DarkNet环境

目标检测

前提目标检测第一代算法R-CNN，第二代是Fast R-CNN ，第三代是Faster R-CNN，目标检测区域卷积神经网络一代比一代速度快且强。Faster R-CNN论文：《Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks》读论文可以了解其思想，为我们提供了一种解决问题的思路，通...

Fast R-CNN在第一代卷积网络RCNN的基础上，采用了SPP-Net网络的方法，诞生了第二代目标检测卷积网络算法。Fast R-CNN论文Fast R-CNN是在2015年ICCV上发表，论文地址：《Fast R-CNN》Fast R-CNN的流程：input image → CNN → 每张候选框的特征 → 分类和回归而R-CNN 的流程：候选框（~2k）→ CNN → 每个...

SPP-Net 是针对R-CNN的缺点，做出了改进。想要了解RCNN可以转到上一篇文章RCNN浅解SPP-Net是何开明大神于2015年发表在IEEE上的论文-《Spatial Pyramid Pooling in Deep ConvolutionalNetworks for Visual Recognition》下面看看SPP-Net做了哪些改进的地方。SPP-Net改进点：只做一次...

R-CNN虽然是ECCV2014年的论文，但它是目标检测算法的基石，Fast R-CNN、Faster R-CNN都是在R-CNN基础上的不断优化改进。1.什么是目标检测？给一张图，如上图，图片中的动物是什么？它在图片中哪个位置？这就是是目标检测要做的事情。目标检测主要两块内容：分类：解决“是什么”的问题，图片中是小熊猫还是小狗；定位：解决“在哪里”的问题，小熊猫在图片中的具体...

卷积神经网络图像尺寸预处理-----图像裁剪（保持纵横比）在全卷积网络（FCN）中可以输入任意大小的图像尺寸，但卷积网络（CNN）中就不是这样了，在CNN是有卷积层和全连接层。首先我们知道卷积层对输入的图像尺寸是没有限制的，而全连接层就对输入的图像像有要求了。因为全连接层输入向量的维数对应其层的神经元个数，如果输入向量的维数不固定，那么全链接的权值参数的数量也是不固定的，这样网络就是变化的，无法...

深度学习之数据增强对于深度学习拿到数据时，有时候样本数据太少，这时候就需要增加数据，可以利用数据增强来做，数据增强可以有效减少过拟合，更好地使模型适用于新的样本，目的是增强模型的泛化能力。如何进行数据增强？比如拿到一张图片，可以通过随机裁剪，旋转、缩放和水平翻转等操作来生成多张相似的图像，这样样本就增加了。具体操作代码import numpy as npfrom keras.prepro...