- 最近各种事情耽搁，OpenCV的学习也没有进展。因为项目需求，所以自己做了这样一个基于Haar特征级联分类器的鸟类检测模型，记录下来。OpenCV官方文档中有一个Haar级联分类器做的人脸检测例程，自行参阅文档。做一个鸟类检测模型首先需要训练出一个识别用的.xml文件，下面就开始进行训练。 一、准备样本集样本集需要正样本集和负样本集。正样本集：正样本集为包含“鸟类”的灰度图，一般大于等于20... 最近各种事情耽搁，OpenCV的学习也没有进展。因为项目需求，所以自己做了这样一个基于Haar特征级联分类器的鸟类检测模型，记录下来。OpenCV官方文档中有一个Haar级联分类器做的人脸检测例程，自行参阅文档。做一个鸟类检测模型首先需要训练出一个识别用的.xml文件，下面就开始进行训练。 一、准备样本集样本集需要正样本集和负样本集。正样本集：正样本集为包含“鸟类”的灰度图，一般大于等于20...
- Java OpenCV 图像处理26.0 HOG特征提取1 HOG 简述2 HOG 特征提取2.1 检测窗口2.2 归一化图像2.3 计算梯度2.4 统计直方图2.5 梯度直方图归一化2.6 得到HOG特征向量3 Java HOG 特征提取测试4 C# HOG 特征提取测试1 HOG 简述HOG是Histogram of Oriented Gradient的缩写，是一种在计算机视觉和图像处理... Java OpenCV 图像处理26.0 HOG特征提取1 HOG 简述2 HOG 特征提取2.1 检测窗口2.2 归一化图像2.3 计算梯度2.4 统计直方图2.5 梯度直方图归一化2.6 得到HOG特征向量3 Java HOG 特征提取测试4 C# HOG 特征提取测试1 HOG 简述HOG是Histogram of Oriented Gradient的缩写，是一种在计算机视觉和图像处理...
- 目录前言原理Sobel算子与Scharr算子Laplace算子自定义内核对图像进行卷积参考问下前言梯度简单来说就是求导，OpenCV 提供了三种不同的梯度滤波器，或者说高通滤波器： Sobel，Scharr 和 Laplacian。Sobel， Scharr 其实就是求一阶或二阶导数。 Scharr 是对 Sobel（使用小的卷积核求解求解梯度角度时）的优化。 Laplacian 是求二阶导... 目录前言原理Sobel算子与Scharr算子Laplace算子自定义内核对图像进行卷积参考问下前言梯度简单来说就是求导，OpenCV 提供了三种不同的梯度滤波器，或者说高通滤波器： Sobel，Scharr 和 Laplacian。Sobel， Scharr 其实就是求一阶或二阶导数。 Scharr 是对 Sobel（使用小的卷积核求解求解梯度角度时）的优化。 Laplacian 是求二阶导...
- 上一篇介绍了形态学的基本操作膨胀和腐蚀，我们这一篇将利用膨胀和腐蚀操作实现对图像更高级的形态学操作，而这些都是建立在膨胀和腐蚀操作基础之上。首先形态学的主要用途是获取物体拓扑和结果信息，它通过物体和结构元素的某些运算，得到物体更本质的形态，在图像处理中的主要应用有：(1). 利用形态学的基本运算对图像进行观察和处理，从而达到改善图像质量的目的(2). 描述和定义图像的各种几何参数和特征如面积... 上一篇介绍了形态学的基本操作膨胀和腐蚀，我们这一篇将利用膨胀和腐蚀操作实现对图像更高级的形态学操作，而这些都是建立在膨胀和腐蚀操作基础之上。首先形态学的主要用途是获取物体拓扑和结果信息，它通过物体和结构元素的某些运算，得到物体更本质的形态，在图像处理中的主要应用有：(1). 利用形态学的基本运算对图像进行观察和处理，从而达到改善图像质量的目的(2). 描述和定义图像的各种几何参数和特征如面积...
- 机器学习（五）——模型选择及调优 机器学习（五）——模型选择及调优
- @[toc] 配置文件参数介绍以 rec_chinese_lite_train_v2.0.yml 为例 Global字段用途默认值备注use_gpu设置代码是否在gpu运行true\epoch_num最大训练epoch数500\log_smooth_windowlog队列长度，每次打印输出队列里的中间值20\print_batch_step设置打印log间隔10\save_model_dir... @[toc] 配置文件参数介绍以 rec_chinese_lite_train_v2.0.yml 为例 Global字段用途默认值备注use_gpu设置代码是否在gpu运行true\epoch_num最大训练epoch数500\log_smooth_windowlog队列长度，每次打印输出队列里的中间值20\print_batch_step设置打印log间隔10\save_model_dir...
- @[toc] SwinIR实战：详细记录SwinIR的训练过程。论文地址：https://arxiv.org/pdf/2108.10257.pdf预训练模型下载：https://github.com/JingyunLiang/SwinIR/releases训练代码下载：https://github.com/cszn/KAIR测试代码：https://github.com/JingyunLia... @[toc] SwinIR实战：详细记录SwinIR的训练过程。论文地址：https://arxiv.org/pdf/2108.10257.pdf预训练模型下载：https://github.com/JingyunLiang/SwinIR/releases训练代码下载：https://github.com/cszn/KAIR测试代码：https://github.com/JingyunLia...
- DIV2K数据集 数据概览DIV2K 数据集分为：训练数据：从 800 张高清高分辨率图像开始，我们获得相应的低分辨率图像，并提供 2、3 和 4 缩小因子的高分辨率和低分辨率图像验证数据：100张高清高分辨率图像用于生成低分辨率对应图像，低分辨率从挑战开始就提供，用于参与者从验证服务器获得在线反馈； 高分辨率图像将在挑战的最后阶段开始时发布。测试数据：使用100张不同的图像生成低分辨率对... DIV2K数据集 数据概览DIV2K 数据集分为：训练数据：从 800 张高清高分辨率图像开始，我们获得相应的低分辨率图像，并提供 2、3 和 4 缩小因子的高分辨率和低分辨率图像验证数据：100张高清高分辨率图像用于生成低分辨率对应图像，低分辨率从挑战开始就提供，用于参与者从验证服务器获得在线反馈； 高分辨率图像将在挑战的最后阶段开始时发布。测试数据：使用100张不同的图像生成低分辨率对...
- @[toc] MobileVIT实战论文地址：https://arxiv.org/abs/2110.02178官方代码：https://github.com/apple/ml-cvnets本文使用的代码来自：https://gitcode.net/mirrors/rwightman/pytorch-image-models，也就是大名鼎鼎的timm。目前，Transformer已经霸榜计算机... @[toc] MobileVIT实战论文地址：https://arxiv.org/abs/2110.02178官方代码：https://github.com/apple/ml-cvnets本文使用的代码来自：https://gitcode.net/mirrors/rwightman/pytorch-image-models，也就是大名鼎鼎的timm。目前，Transformer已经霸榜计算机...
- @[toc] 摘要论文地址：https://arxiv.org/pdf/2108.10257.pdf预训练模型下载：https://github.com/JingyunLiang/SwinIR/releases训练代码下载：https://github.com/cszn/KAIR测试：https://github.com/JingyunLiang/SwinIR论文翻译：https://blo... @[toc] 摘要论文地址：https://arxiv.org/pdf/2108.10257.pdf预训练模型下载：https://github.com/JingyunLiang/SwinIR/releases训练代码下载：https://github.com/cszn/KAIR测试：https://github.com/JingyunLiang/SwinIR论文翻译：https://blo...
- 一、深度学习发展历史1958: Perceptron (linear model)1969: Perceptron has limitation1980s: Multi-layer perceptronDo not have significant difference from DNN today1986: BackpropagationUsually more than 3 hidde... 一、深度学习发展历史1958: Perceptron (linear model)1969: Perceptron has limitation1980s: Multi-layer perceptronDo not have significant difference from DNN today1986: BackpropagationUsually more than 3 hidde...
- 在使用tensorboard可视化网络参数时，当因多次训练产生多个events文件后，在tensorboard上显示会非常混乱，非常不易于观察。如下图所示，这张图只有两次实验的文件，已经比较混乱了。我之前的解决办法是每次跑都将以前的文件删除，保证路径下只有当前产生的events文件，但这样比较繁琐，特别是当需要调的参数变多的时候，每次删除不但很累，而且容易出错，后来受这篇文章的启发，既然保存... 在使用tensorboard可视化网络参数时，当因多次训练产生多个events文件后，在tensorboard上显示会非常混乱，非常不易于观察。如下图所示，这张图只有两次实验的文件，已经比较混乱了。我之前的解决办法是每次跑都将以前的文件删除，保证路径下只有当前产生的events文件，但这样比较繁琐，特别是当需要调的参数变多的时候，每次删除不但很累，而且容易出错，后来受这篇文章的启发，既然保存...
- 一、人工智能、机器学习和深度学习人工智能（Artificial Intelligence） →\to→ 目标机器学习（Machine Learning） →\to→ 手段深度学习（Deep Learning）→\to→ 机器学习的其中一种方法▲ 人工智能、机器学习和深度学习的关系 二、机器学习（Machine Learning）所谓Machine Learning的方向，就是你就写段程序，... 一、人工智能、机器学习和深度学习人工智能（Artificial Intelligence） →\to→ 目标机器学习（Machine Learning） →\to→ 手段深度学习（Deep Learning）→\to→ 机器学习的其中一种方法▲ 人工智能、机器学习和深度学习的关系 二、机器学习（Machine Learning）所谓Machine Learning的方向，就是你就写段程序，...
- 第六章 初始化 1.初始化的重要性 深度学习模型的训练本质就是对参数w进行更新，故对w的初始值确定有极大意义。 初始化的选取有时能决定算法是否收敛 当收敛时，初始点能决定学习收敛的快慢，是否收敛到一个代价高或低的点 过大的初始化会导致梯度爆炸，过小的初始化会导致梯度消失 ... 第六章 初始化 1.初始化的重要性 深度学习模型的训练本质就是对参数w进行更新，故对w的初始值确定有极大意义。 初始化的选取有时能决定算法是否收敛 当收敛时，初始点能决定学习收敛的快慢，是否收敛到一个代价高或低的点 过大的初始化会导致梯度爆炸，过小的初始化会导致梯度消失 ...
- MobileViT 结构上基本基于 MobileNet V2 而改进增加了 MobileViT block，但是同样能够实现一个不错的精度表现，文章实验部分大量的对比了 MobileViT 跟 CNN 和 ViT 模型的参数量和模型大小，不过值得一提的是在端侧除了模型大小以外，更加重视模型的性能，只能说这篇文章经典之处是开创了 CNN 融合 ViT 在端侧的研究。 MobileViT 结构上基本基于 MobileNet V2 而改进增加了 MobileViT block，但是同样能够实现一个不错的精度表现，文章实验部分大量的对比了 MobileViT 跟 CNN 和 ViT 模型的参数量和模型大小，不过值得一提的是在端侧除了模型大小以外，更加重视模型的性能，只能说这篇文章经典之处是开创了 CNN 融合 ViT 在端侧的研究。
上滑加载中
推荐直播
-
HDC深度解读系列 - Serverless与MCP融合创新，构建AI应用全新智能中枢2025/08/20 周三 16:30-18:00
张昆鹏 HCDG北京核心组代表
HDC2025期间，华为云展示了Serverless与MCP融合创新的解决方案，本期访谈直播，由华为云开发者专家(HCDE)兼华为云开发者社区组织HCDG北京核心组代表张鹏先生主持，华为云PaaS服务产品部 Serverless总监Ewen为大家深度解读华为云Serverless与MCP如何融合构建AI应用全新智能中枢
回顾中 -
关于RISC-V生态发展的思考2025/09/02 周二 17:00-18:00
中国科学院计算技术研究所副所长包云岗教授
中科院包云岗老师将在本次直播中，探讨处理器生态的关键要素及其联系，分享过去几年推动RISC-V生态建设实践过程中的经验与教训。
回顾中 -
一键搞定华为云万级资源，3步轻松管理企业成本2025/09/09 周二 15:00-16:00
阿言 华为云交易产品经理
本直播重点介绍如何一键续费万级资源，3步轻松管理成本，帮助提升日常管理效率！
回顾中
热门标签