数字图像处理-图像基础-复习总结
文章目录数字图像处理复习总结数字图像基础数字图像基础概念采样和量化非均匀采样与量化数字图像常见失真类型数字图像处理基础数字图像处理基本概念数字图像处理研究内容数字图像处理关键阶段数字图像处理应用图像质量评测像素的空间关系空域图像增强背景知识直方图概念灰度级变换（点处理）直方图处理（点处理）算数运算（
【强化学习】Q-Learning算法详解以及Python实现【80行代码】
强化学习在文章正式开始前，请不要被强化学习的tag给吓到了，这也是我之前所遇到的一个困扰。觉得这个东西看上去很高级，需要一个完整的时间段，做详细的学习。相反，强化学习的很多算法是很符合直观思维的。 因此，强化学习的算法思想反而会是相当直观的。另外，需要强调的是，这个算法在很多地方都有很详细的阐述了。
GAN评价指标代码(FID、LPIPS、MS-SSIM)
GAN评价指标代码(FID、LPIPS、MS-SSIM写在前面FIDLPIPSMS-SSIM写在后面写在前面科研(毕业)需要，对GAN生成的图片要做定量评价，因此总结一些自己要用到的一些评价指标。FID官方链接：https://github.com/mseitzer/pytorch-fid步骤：（1
pytorch复现U-Net 及常见问题汇总（2021.11.14亲测可行）
目录2021.11.14复现过程：训练过程常见问题整理：之前简单地写了一个pytorch的U-net 复现过程，有很多小伙伴在评论里有很多疑问，抽空又复现了一遍，简单整理了常见的问题。之前写的教程：U-net复现pytorch版本 以及制作自己的数据集并训练_candice5566的博客-CSDN博
Opencv实战——图像拼接
图像拼接(Image Stitching)是一种利用实景图像组成全景空间的技术，它将多幅图像拼接成一幅大尺度图像或360度全景图，接可以看做是场景重建的一种特殊情况，其中图像仅通过平面单应性进行关联。图像拼接在运动检测和跟踪，增强现实，分辨率增强，视频压缩和图像稳定等机器视觉领域有很大的应用。
可变形卷积（DCN）
ICCV 2017的一篇文章。可变形卷积（DCN）的原理和实现
【seaborn】sns.set() 绘图风格设置
从这个set()函数，可以看出，通过它我们可以设置背景色、风格、字型、字体等。我们定义一个函数，这个函数主要是生成100个0到15的变量，然后用这个变量画出6条曲线。那么，问题来了，有人会说，这个set()函数这么多参数，只要改变其中任意一个参数的值，绘图效果就会发生变化，那我们怎么知道哪种搭配是最
图像特征提取（VGG和Resnet特征提取卷积过程详解）
图像特征提取（VGG和Resnet卷积过程详解）第一章 图像特征提取认知1.1常见算法原理和性能众所周知，计算机不认识图像,只认识数字。为了使计算机能够“理解”图像，从而具有真正意义上的“视觉”，本章我们将研究如何从图像中提取有用的数据或信息，得到图像的“非图像” 的表示或描述，如数值、向量和符号
图像多尺度特征融合、特征金字塔总结
图像多尺度特征融合、特征金字塔总结
papers with code介绍（人工智能方向研究生的必备网站）
paperswithcode介绍（人工智能方向的必备网站）本文将从两个部分介绍：一、正文二、导航 **A、browse State-of-the-Art**B、Datasets****C、Method**D、More**网站首页一、正文2.最上面是四个导航选项。3.正文部分就是最新的研究论文正
ROS从入门到精通9-1：项目实战之智能跟随机器人原理与实现
智能跟随机器人是其中很常见的应用，在各类竞赛、创新项目、开源项目甚至商业项目中都有应用，2022年TI杯C赛题就是跟随机器人的应用，本文讲解智能跟随机器人原理和代码实现
【中国大学生计算机大赛二等奖】智能中医-中e诊简介（一）
中国大学生计算机设计大赛-人工智能赛道二等奖党的十九大以来，我国社会的主要矛盾已经变成了人民日益增长的对美好生活需要与不平衡、不充分发展之间的矛盾。美好生活的一个重要体现就是“健康生 活”，然而随着现代都市生活节奏不断加快，人们很多时候会忽视自己的身体健康。“工作太忙，没时间锻炼”、“应酬太多”，许
3D卷积神经网络详解
1 3d卷积的官方详解2 2D卷积与3D卷积1）2D卷积 2D卷积：卷积核在输入图像的二维空间进行滑窗操作。2D单通道卷积 对于2维卷积，一个3*3的卷积核，在单通道图像上进行卷积，得到输出的动图如下所示：2D多通道卷积 在之前的2D单通道的例子中，我们在一张图像上使用卷积核进行扫描，得
R实战 | 限制性立方样条(RCS)
RCS在科学研究中，我们经常构建回归模型来分析自变量和因变量之间的关系。大多数的回归模型有一个重要的假设就是自变量和因变量呈线性关联。当自变量和因变量之间为非线性关系时，可以将连续型变量转化为分类变量，但是分类变量的类别数目以及节点位置的选择一般会带有主观性并且分类变量会损失部分信息；也可以直接拟合
DNN（全连接神经网络）
一.DNN网络一般拥有三层1.输入层2.隐藏层3.输出层简单网络如下：二.正向传播从第二层开始，每一个神经元都会获得它上一层所有神经元的结果。即每一个 y = wx + b的值。具体分析如下：如此下去就会非常可能出现了一个问题------就是越靠后的神经元获得的y值会非常大，试想一下，如果这个数远远
YOLOv3&YOLOv5输出结果说明
本文使用的yolov3和yolov5工程文件均为github上ultralytics基于pytorch的v3和v5代码，其训练集输出结果类型基本一致，主要介绍了其输出结果，本文是一篇学习笔记本文使用的yolov3代码github下载地址：yolov3模型训练具体步骤可查看此篇博客：yolov3模型训
Yolov7-pose 训练body+foot关键点
yolo-pose
在运行yolo5的v5.0版本detect.py时遇到的一些错误
跟着小土堆的视频教学自己遇到的一些问题。
简单粗暴提升yolov5小目标检测能力
和yolov5最开始做的focus是类似的，对于输入的特征图（长宽为S），从左到右以及从上到下每scale个像素采样一次，假设scale=2，采样方式就和上图一样，经过这样采样的输出长宽就是S/2，最后将采样后的输出进行concatenate，通道数就是scale的平方，即4。左侧是yolov5原始
灰色预测模型
python实现灰色预测
