《榴莲漫溢还在继续,究竟降到几多你们能吃得起3 #榴莲...》剧情简介：掘金：马龙与布斯下课冠军窗口关闭对她就是这么说的王保保点颔首现在他已经完全没了适才那股愣头青的劲头榴莲漫溢还在继续,究竟降到几多你们能吃得起3 #榴莲...他审查一番后知足地连连颔首交口赞美道：不错很不错你把这三道仙蛊方都给彻底完善了厉害这思绪简直绝了原创2024-07-12 08:50·华尔街见闻
《榴莲漫溢还在继续,究竟降到几多你们能吃得起3 #榴莲...》视频说明：哦慕容复听她这一说不禁心头一跳自行吸收炼化天地之气和提纯粹元他隐约约约已经感受到一些不过跟乾坤大挪移扯上关系却是有些出乎他的意料疑惑道你所说的资助是指什么我乾坤大挪移已经修炼到顶层还能有什么资助盘算机视觉专业术语总结：构建盘算机视觉的知识系统2022-12-05 10:08·极市平台作者丨似乎若有光泉源丨CV手艺指南编辑丨极市平台前言：在盘算机视觉中保存许多的专业术语如先验知识语义信息embeddingheadneck等这些术语的诠释无法直接在网上搜到也没有在哪一篇论文中界说它们的看法和意义因此关于第一次听到这些术语的读者来说会很是的疑心别的关于还没有建设盘算机视觉知识系统的读者来说也很难明确特征空间fine-tuning、预训练、池化等方面的内容本文先容了许多读者在其它地方不可能相识的内容通过这些内容相信读者能更深条理地明确盘算机视觉建设起基本的盘算机视觉知识系统backbone、head、neck和fine-tune以一个图像分类的卷积神经网络为例网络分成两部分前部分是由卷积层、归一化层、激活层、池化层堆叠的输入图像在经由若干层卷积、归一化层、激活层和池化层的堆叠后进入全毗连层经由一再全毗连后输出每个类别的概率值在这里前面卷积层、归一化层、激活层和池化层的堆叠部分属于backbone意思是神经网络的躯干部分这部分也称为特征提取网络后面的全毗连层的堆叠属于head意思是神经网络的头部实现模子使命的展望称为predictor head这部分网络也称为分类网络再以目的检测中的YOLO_V4中的图为例如上图所示在backbone后常构建特征金字塔在特征金字塔部分做一些处置惩罚如多标准融合再将特征金字塔的输出举行展望因此特征金字塔这部分放在backbone和head之间称为neck（脖子）这里的Dense Prediction即为head关于backbone即常见的经典网络如VGGResNetMobileNetShuffleNetDenseNet等当某个模子提到backbone使用的是VGG即体现使用的是VGG的backbone部分而不包括VGG的head这里诠释一下为何是这样神经网络有多种诠释其中一种诠释如下神经网络被以为是在提取特征盘算机视觉的古板要领就是人为地设定某些特征再举行分类如HOG特征LBP特征在提取完特征后使用分类器对这些特征举行分类如SVM分类器这里的backbone部分则以为是一个特征提取网络而head部分则被以为是分类网络因此特征提取的部分可以共享它们的实质都是在提取图片的特征而分类网络则对应到详细的使命如分类猫狗分类网络需要从提取的特征中分成猫狗两类这段话同时也诠释了fine-tune的原理使用一个预训练好的backbone针对你自己的使命自己搭建响应的分类网络在训练时冻结backbone的参数只训练分类网络的参数这是由于预训练好的backbone已经具备很好的特征提取能力因此关于你自己的图像网络只需要学习怎样将提取后的特征按你界说的种别举行分类Preprocess和PostprocessPreprocess为预处置惩罚图像在送着迷经网络之前需要举行一定的处置惩罚通常的处置惩罚是使用opencv中的resize将所有图像缩放到统一尺寸并凭证数据集的标注设置网络的label别的若是有须要的话还会举行数据增强如调解图像饱和度镜像加噪声随机掩码等方法预处置惩罚的须要性：大部分神经网络在backbone后将数据举行flatten（即将四维的张量酿成二维）的操作再举行全毗连此时全毗连层输入的神经元个数即为flatten后的长度若输入的图像的尺寸纷歧样则全毗连层输入的神经元个数无法一致会报错别的关于没有全毗连层其它类似的处置惩罚部分（除少数外）也会要求backbone后的输出巨细一致Postprocess指的是对网络展望的效果举行后处置惩罚关于通俗的分类网络不需要后处置惩罚但关于目的检测、语义支解这样的使命需要对网络的输出举行处置惩罚将展望的效果通过图像举行可视化例如目的检测中的YOLO其输出一个7x7x30的张量输出98个展望框但现实一张图片没这么的目的则需要举行NMS这样的处置惩罚往复除一些不对理的展望框且我们无法直接看待这些展望框是否准确就需要将其在原图像上显示出来以直观感受展望的效果怎样先验知识在《论文立异的常见思绪总结》中我提到关于特定的类的检测我们可以针对这个种别添加许多先验知识在《数据增强要领总结》中我提到数据增强的实质是人为地引入人视觉上的先验知识在《CNN可视化手艺总结(一)特征图可视化》中我提到所谓刷新网络都是人的主观刷新这里人的主观即先验知识这里的先验知识指的是人关于怎样识别一张图像或怎样识别一个类而关注的内容引入先验知识是指设计一些工具让网络也关注这些内容例如特征金字塔中的多标准融合人以为大目的应该在低区分率检测、小目的在高区分率检测由此网络在特征金字塔的差别层展望差别巨细的目的人又以为若是大目的在低区分率检测小目的在高区分率检测则在低区分率时小目的还保存在这里被当成了配景同理在高区分率时大目的被当成了配景这样不对理又提出了ASFF处置惩罚方法提升了5-10个百分点例如人在关注一个事物时会自动忽略眼睛看到的其它工具由此提出了注重力机制例如即便只有上半身人照旧能认出自己熟悉的人由此提出随机遮挡等数据增强方法让网络在有遮挡的情形下也能准确识别例如人是怎样识别打篮球这一行为的人凭证篮球、投篮手势、身体跳跃、篮球运动等一系列的组合识别因此怎样让网络更好地关注这些特征提出了Non-Localembedding在transformer中泛起了embedding在自编码器中也泛起了embedding尚有许多地方也有提到怎样明确embedding这里涉及到神经网络的另一种诠释神经网络被以为是将图像从高维的像素空间映射到低维的嵌入空间即embedding也可称为特征空间这里的特征空间用embedding（向量的形式）来体现在编码器中网络将图像映射成embedding即高维图像通过非线性函数的多次映射可以用低维embedding来体现在解码器中网络将低维embedding映射回图像因此embedding可以以为是某些特征的浓缩体现形式以行人重识别为例论文以为即即是在差别拍摄角度下只要是统一小我私家神经网络输出的embedding在某种距离怀抱方法下就是相近的而差别的人在某种距离方法下就是很远的因此可以通过某种距离怀抱方法判断两个embedding的距离是否在阈值规模内来判断是否为统一小我私家feature map字面意思：特征图凭证前面的诠释神经网络是在将图像从高维像素空间映射到低维的特征空间这个映射是通过一层一层卷积和激活来举行的卷积具备提取特征的能力例如在数字图像处置惩罚中我们是通过sobel算子来检测轮廓而sobel算子可以以为是3x3的卷积的其中一种情形在这种情形下它就可以提取图像的轮廓那在其它情形下就可以提取其它的特征因此卷积的历程就是在提取特征的历程经由卷积提取特征和激活函数的映射后的输出称为feature maps池化接着上面的诠释来先容一下池化在一张图像中保存许多噪声和冗余信息噪声是由相机拍摄历程中由于传感器电路、质料等硬件因素或传输历程中爆发的冗余信息是指跟详细使命无关的内容当我们以整张图像输入时需要将这些噪声、冗余信息去除我们以为这些冗余信息和噪声不是特征在神经网络中的卷积和映射历程中会爆发较量低的响应值因此我们可以通过最大池化选择最大的响应值进入下一层由于我们以为只有特征才会在卷积历程中爆发大的特征值也称为响应值同样以sobel为例当对一个像素值基内情同的配景举行卷积时卷积的输脱险些为0而对一个轮廓边沿举行sobel卷积则会输出较大的值因此神经网络通过多次最大池化去除了噪声和冗余信息这也就是为什么神经网络的backbone部分基本全是最大池化而不是平均池化由于平均池化会将这些冗余信息和噪声继续传到下一层关于池化更详细的手艺总结请阅读《池化手艺总结》文章语义信息数字图像是由像素值组成的它们本是一堆数字的组合但就是这样的组合形成了一幅幅图像如猫、狗、篮球、米老鼠、眼睛、鼻子等因此语义信息指的是图像的内容即鼻子眼睛这样的图像总结本文先容了许多读者在其它地方不可能相识的内容通过这些内容相信读者能更深条理地明确盘算机视觉建设起基本的盘算机视觉知识系统后面还会总结一些其它的专业术语并举行诠释江西省九江市都昌县作为大大都候鸟抵达鄱阳湖后的第一站近年来一直开展生态修复事情生态情形越来越好可供候鸟们选择的食物也越来越富厚每年有超20万只候鸟会长时间栖息在此越冬占到鄱阳湖整体候鸟数目的近三分之一（总台记者 郭一淳 范存宝 石坤 王婧 刘昀彤 哈乐）
2025-10-07 20:53:07
选集播放排序
相关推荐TUIJIAN
正在热映
