保存成功
订阅成功
保存失败,请重试
提交成功
Allen

Allen

虹软科技算法工程师,无人驾驶研究员
1、杭州鸿泉车联网研究所-深度学习研究员。 2、虹软科技股份-算法工程师。 3、CSDN作者。 4、机器学习算法类书籍作者。 擅长领域: 1、人脸识别 2、车牌识别 3、超分辨率 4、活体检测...更多
创作文章4

深度学习之详解卷积神经网络

神经网络虽然分类效果不错(模型准确率达到了 95.6%),但与人相比,它还有两个明显的缺陷。一方面,人在识别图片时,不仅关注每个像素点的颜色,还关心像素点之间的空间位置关系。也就是说,人往往会特别关注图片的局部信息,即相邻像素点所包含的信息,因为两个像素点离得越近,它们之间的相关性也就越强。但全连接神经网络却没有强调图片像素点的位置关系。 另一方面,人眼在识别图片时,还会在局部区域做模糊处理,也就是说离得非常近的像素点会被认为是相同的颜色,这样的模糊处理并不影响人识别图片的精度。显然上面讨论的神经网络也没有这个特性。为了改进上述的这两个缺陷,学术界引入了卷积神经网络(Convolutional Neural Network,CNN)。 本 Chat 将讨论这个模型的细节: - 卷积神经网络基础知识 - 卷积层介绍 - 池化层介绍 本 Chat 中将图文并茂的进行讲解,详细内容如下: 1. 卷积神经网络特点 - 局部连接 - 权值共享 2. 卷积神经网络层次 - 输入层 - 卷积层 - 池化层 - 全连接层 - 分类器 3. 卷积层详细介绍 - 卷积的意义 - 卷积的理解 - 卷积核 - 卷积操作 4. 卷积神经网络的训练 - CNN 的正向传播 - CNN 的反向传播 5. 卷积神经网络参数设置 - CNN 的反向传播 - 损失函数 - 激活函数 6. 卷积神经网络的优化 - 基于动量的梯度下降算法 - 基于自适应学习率的梯度下降算法 - L2 正则化和权重衰减
深度学习
96 订阅

OpenCV 实战之图像操作与增强

算法是机器视觉系统完成各种任务的核心。为了设计准确性和鲁棒性都较高的算法,并提高其执行速度,一般需要事先对整幅图像或部分像素进行操作,使图像尺寸或形状更适合计算机处理。某些时候还要对图像进行算术和逻辑运算,以消除噪声或提高图像的对比度。这些前期的图像操作或运算不仅会在空间域增强图像,还能极大地提高后续算法的执行速度及其有效性。 本 Chat 主要设计的知识点有: - 介绍灰度分析与变换 - 介绍空间域图像增强 - 特征分析 本 Chat 中图像的处理将使用 OpenCV 进行实例化实验,希望通过本次 Chat 让读者深刻理解图像的相关处理。 本场 Chat 适用于入门人工智能的同学,同学们在只需具备一定的 Python 编程能力,照着做,就能做出效果。 本次 Chat 详细内容为: 1. 实验环境的安装 - ubuntu 下安装 Anaconda - 利用 Anaconda 安装 pythone-opencv 2. 灰度分析与变换 - 直方图介绍 - 直方图绘制 3. 空间域图像增强 - 均值滤波 - 方框滤波 - 高斯滤波 - 中值滤波 4. 特征分析 - 阈值分割
严选图像检测
96 订阅

深度学习实战之行人防碰撞预警系统

本场 Chat 将介绍**行人碰撞预警系统**(`pedestrian collision warning,PCW`) 该系统是一项先进的汽车主动安全技术,是汽车 `ADAS` 中的重要组成部分,对交通安全的提升具有十分重要的意义。 行人碰撞预警系统是在行人检测系统的基础上进行的,首先,通过汽车前上方摄像头收集汽车前方道路信息,然后对探测视野的图像进行行人检测来确定是否存在行人并给予定位,若有行人步入汽车前方危险区域,此时行人碰撞预警系统将会发出危险报警,提示驾驶员注意前方潜在的危险。其本质是采用摄像头实现人眼的感知功能,运用视觉算法对汽车前方的道路信息进行分析来实现行人捡测的功能,进而做到及时、有效的预警,提醒驾驶员防范汽车前方潜在危险。 具体内容如下: 1. 系统需求分析 2. 系统数据处理 3. `Faster R-CNN`检测网络的详细设计 4. `Faster R-CNN`网络模型的训练 本场 Chat 适用于入门人工智能的同学,同学们在最后实战时只需具备一定的` Python` 编程能力,照着做,就能做出效果。 其中网络模型的训练过程将介绍如下内容: - 训练文件框架 - 训练文件框架 - 参数文件配置 - RPN 网络训练 - Fast-Rcnn 网络训练 - Fast-Rcnn 网络训练
严选深度学习
109 订阅

深度学习实战之人脸识别项目

人脸检测和人脸识别技术是深度学习的重要应用之一。本场 Chat 首先会介绍 MTCNN 算法的原理,它是神经网络的一种高精度的实时人脸检测和对齐技术。接着,还会介绍如何利用深度卷积网络提取人脸特征,以及如何利用提取的特征进行人脸识别。最后会介绍如何在 TensorFlow 中实践上述算法。 具体内容如下: 1. MTCNN的原理。 2. 使用深度卷积网络提取特征。 3. 使用特征设计应用。 4. 在 TensorFlow 中实现人脸识别。 本场 Chat 适用于入门人工智能的同学,同学们在最后实战时只需具备一定的 Python 编程能力,照着做,就能做出效果。 在最后实战过程如下: 1. 项目环境的设置。 2. LFW 人脸数据库介绍及使用。 3. LFW 数据库上做人脸检测和对齐。 4. 使用已有模型验证 LFW 数据库验证准确率。 5. 训练人脸识别模型。
深度学习
130 订阅
微信扫描登录