展开

关键词

各种计算机语言的经典书籍(CC++JavaC#VCVB等)

+中文—-c++八大刚——Scott MeyersC++编程思想(第2) 第1:标准C++导引——–Bruce EckelC++编程思想(第2)第2:实用编程技术 ——–Bruce EckelC ,c++百科全书表,圣经。 、单机单机轻松入门———————————-周坚(平凡老师) 单机典型模块设计实例导航———————–求是科技例说8051—————————————-张义和 陈敌北KEIL CX51 V7.0单机高级语言编程与 ΜVISION2应用实践—–徐爱钧 单机应用程序设计技术(修订)——————–周航慈8051单机实践与应用——————————-吴戎MCS-51系列单机实用接口技术———————李华23、串并口通讯 ———-胡斌无线电元器件检测与修理技术轻松入门(第二) ——————-胡斌表细说电子技术识——————-胡斌表细说电子元器件——————-胡斌表细说元器件及实用电路——————-胡斌

14720

《DeepLab V3》论文阅读

在这里插入描述字塔(Image pyramid): 多个尺度的输入到一个相同的网络中。小尺寸的输入有助于理解长距离的语义,大尺寸的输入有助于修正细节。 使用拉普拉斯字塔对输入像进行变换,将不同尺度的输入到DCNN,并将所有比例的特征合并。有人将多尺度的输入按顺序从粗到细依次应用,也有人将输入直接调整成不同的大小,并融合所有大小的特征。 在这里插入描述其中x表输入信号,w是积核系数,y是输出,其中k是输入信号维度,r是膨胀速率,如果r等于就退化为标准积。2. 在这里插入描述对于Figure3的a,每一个块都有三个3×3积。除了最后一个块,其余的模块中最后的一个积步长为2,类似于原来的ResNet。 实验结果表明,该模型在Pascal voc 2012语义像分割基准上比以前的DeppLab本有了明显的改进,并取得了SOAT精度。

50720
  • 广告
    关闭

    11.11智惠云集

    2核4G云服务器首年70元,还有多款热门云产品满足您的上云需求

  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    Python批量下载无

    前言生活或者工作中,不管是写文章、公司 UI 交互还是广告等等都需要用到的优点和重要性自不用说。我们可不能随便从网上搜索来用,我们得注意。 我一般是在无的网站上找,比如我常用的 pixabay 网站,打开网站,搜索我们需要的主题,结果,加载大半天,还是下面这样的。。。? 正则提取元素我们用正则表达式提取出一个页面所有的 url,比如我提取第 2 页所有的 url,并把这些 url 放在列表里,方便接下来调用后下载。? 下载我们把提取出来的下载下来,open 后面的 wb+ 表示以二进制读写模式打开。? 运行码,pk 哥输入英文关键字后回车,效果如下。?效果展示把自己常用的主题都下载在本地,以后找再也不用等了,爽歪歪。?本文全部源码在公众号回复「」获取。

    44010

    Python | 无素材下载

    前言在我们生活中,时常会经常用到素材,做些平面设计,UI 界面或者广告等。但在现在十分重视的时,我们使用网络上的素材时,还得小心素材是否有,一不小心就侵了。 大部分无网站都是外国的,访问外国的网站有时候会加载特别慢,小编以 pixabay为例,就像这样:? 作为 Python 党,这样的体验很差,于是乎写个爬虫直接下载 1000张 到本地,下次直接在库里找,就不用这样耗费时间了。 效果提供了两种下载方式,一种是默认下载网站前 1000张 ;一种是输入自己想要的种类来下载。提供了“进度条”功能,让大家知道目前下载进度如何。??库截: ? 元素链接位置? 构造每一张的下载路径及名称,然后下载每一张。 进度条?在下载过程中显示进度条,知道目前下载进度。 Finally这样我们就获得了大量无,可以直接从库里面筛选了。

    43420

    深度学习——目标检测(2)Fast-RCNNFASTER RCNNRCNN网络的演进

    在以下方面得到改进: 1 - 借鉴SSP思路,提出简化的ROI池化层(注意,没用字塔),同时加入了候选框映射功能,使得网络能够反向传播,解决了SPP的整体网络训练问题;什么是ssp网络? 其实,你也可以这样想,最牛掰的地方是因为在积层的后面对每一张都进行了多方面的特征提取,他就可以提高任务的精度 网络结构如下: ? 我们这里需要处理的就是在网络的全连接层前面加一层字塔pooling层解决输入大小不一的情况。 我们可以看到这里的spatital pyramid pooling layer就是把前一积层的feature maps的每一个上进行了3个积操作。 与R-CNN框架对比,可以发现主要有两处不同:� 一是最后一个积层后加了一个ROI pooling layer,ROI pooling layer实际上是SPP-NET的一个精简� 二是损失函数使用了多任务损失函数

    20620

    对sppnet网络的理解

    正文:  何凯明大神在看到RCNN模型,分析了CNN模型的特点后:由积部分和全连接两部分构成,而对于积部分而言,比如任意大小(w,h),任意的积核size(a,b),默认步长为1,我们都会得到积之后的特征 论文中提到,比如我们有一张为例子:?我们对这种进行积处理(我们以zf为例,最后一个积之后得到这样的特征)? 如上所示:    我们使用三层的字塔池化层pooling,分别设置切分成多少块,论文中设置的分别是(1,4,16),然后按照层次对这个特征feature A进行分别处理(用码实现就是for( 当然了,这个层数是可以随意设定的,以及这个划分也是可以随意的,只要效果好同时最后能组合成我们需要的特征个数即可    这就是sppnet的核心思想,当然在这个模型中,何大神还对RCNN进行了优化,上面介绍的字塔池化替 通过比例映射到整张的feature map上提取出候选区域的特征B,然后将B送入到字塔池化层中,进行重计算.然后经过尝试,这种方法是可行的,于是在RCNN基础上,进行了这两个优化得到了这个新的网络

    25620

    对sppnet网络的理解

    正文:  何凯明大神在看到RCNN模型,分析了CNN模型的特点后:由积部分和全连接两部分构成,而对于积部分而言,比如任意大小(w,h),任意的积核size(a,b),默认步长为1,我们都会得到积之后的特征 论文中提到,比如我们有一张为例子:?我们对这种进行积处理(我们以zf为例,最后一个积之后得到这样的特征)? 如上所示:    我们使用三层的字塔池化层pooling,分别设置切分成多少块,论文中设置的分别是(1,4,16),然后按照层次对这个特征feature A进行分别处理(用码实现就是for( 当然了,这个层数是可以随意设定的,以及这个划分也是可以随意的,只要效果好同时最后能组合成我们需要的特征个数即可    这就是sppnet的核心思想,当然在这个模型中,何大神还对RCNN进行了优化,上面介绍的字塔池化替 通过比例映射到整张的feature map上提取出候选区域的特征B,然后将B送入到字塔池化层中,进行重计算.然后经过尝试,这种方法是可行的,于是在RCNN基础上,进行了这两个优化得到了这个新的网络

    25930

    对sppnet网络的理解

    正文:  何凯明大神在看到RCNN模型,分析了CNN模型的特点后:由积部分和全连接两部分构成,而对于积部分而言,比如任意大小(w,h),任意的积核size(a,b),默认步长为1,我们都会得到积之后的特征 论文中提到,比如我们有一张为例子:?我们对这种进行积处理(我们以zf为例,最后一个积之后得到这样的特征)? 如上所示:    我们使用三层的字塔池化层pooling,分别设置切分成多少块,论文中设置的分别是(1,4,16),然后按照层次对这个特征feature A进行分别处理(用码实现就是for( 当然了,这个层数是可以随意设定的,以及这个划分也是可以随意的,只要效果好同时最后能组合成我们需要的特征个数即可    这就是sppnet的核心思想,当然在这个模型中,何大神还对RCNN进行了优化,上面介绍的字塔池化替 通过比例映射到整张的feature map上提取出候选区域的特征B,然后将B送入到字塔池化层中,进行重计算.然后经过尝试,这种方法是可行的,于是在RCNN基础上,进行了这两个优化得到了这个新的网络

    43060

    深度剖析YOLO系列的原理

    真实情况是,由最终输出是 7*7*30 大小表的物理含义是:你可以把输入看成是经过了网格化(grid cell 7*7),每个网格化后的小窗口通过 CNN 预测出 1*30。 输入只处理一次:表示输入只在第一次积的时候作为输入进行积运算,第一次积后的输出作为第二次积的输入,通过多个积层递进的方式来提取不同的特征。 > 用积取池化之前我们提到过池化的问题,会造成信息丢失,这里用积来实现池化的功能(使大小缩小2倍),同时不会造成信息的明显丢失。 这里用 v1 本论文来解释,物理意义:表示将输入网格化,有 13*13,26*26,52*52 大小,每个网格化的小窗口(grid cell)预测 3 个边框(bounding box),每个边框包含 (3)增加重参数 ? ,当边框预测出含有对象时,增大它的重值,当边框预测出不含有对象时,减小它的重值,这样就能使损失能量计算更准确。不要让懒惰占据你的大脑,不要让妥协拖垮了你的人生。

    21410

    三个免费的无

    22620

    积神经网络各种池化

    因此,为了描述大的,一个很自然的想法就是对不同位置的特征进行聚合统计,例如,人们可以计算像一个区域上的某个特定特征的平均值(或最大值)来表这个区域的特征。 Spatial Pyramid pooling字塔池化可以把任何尺度的像的积特征转化成相同维度,这不仅可以让CNN处理任意尺度的像,还能避免cropping和warping操作,导致一些信息的丢失 一般的CNN都需要输入像的大小是固定的,这是因为全连接层的输入需要固定输入维度,但是积操作是没有对像尺度有限制,所以作者提出了空间字塔池化,先让像进行积操作,然后转化成维度相同的特征输入到全连接层 feature map进行reuse可以显著加速training和testing速度允许end-to-end的形式训练目标检测系统本文转自:博客园 - kexinxin,转载此文目的在于传递更多信息,归原作者所有 声明:本文系网络转载,归原。如涉,请联系删!

    29420

    论文阅读理解 - Learning Feature Pyramids for Human Pose Estimation

    结构;提出新的重初始化方法,对 multi-branch 网络重进行初始化. (a) PRM-A, 将输入 feature maps 从不同字塔层独立分离;(b) PRM-B,对于所有的字塔层采用共享输入;PRM-C 采用 concatenation 取 addition 当两个 residual units 的输出相加时,这里采用 batch_normalization 和 ReLU 后接 1×11×11×1 的积来替恒等映射. 如 Figure 6. ? 4 实现和结果4.1 实现细节输入根据标注的人体位置和 scale ,从 resized 中裁剪尺寸 256×256256×256256×256.LSP test 集: 直接采用像中心作为人体位置 GPUs,mini-batch size 为 16,每张 GPU 4 张,200 epoches.image.pngTesting 对 6-scale 像 Pyramids 并 flipping

    52770

    干货 | 浙大博士生刘汉唐带你回顾像分割的经典算法

    分享提纲:像分割的问题定义,以及在实际场景中的应用样例全积网络双线性上采样特征字塔Mask-RCNN大家好,我是浙江大学在读博士生刘汉唐,目前在阿里巴巴 iDST 实习。 切割的失败案列?为了克服这个失败,有一篇论文提出了 Normalized Cut。它是在分割中加入重参数 Volume。Volume(A) 是 A 中所有边的重之和。 这里的「反积」其实不是真正的积的逆运算,用 Transposed Convolution 替比较合适,但原论文中用的是 Deconvolution,我们下面还是用这个词,它可以等效于普通积。 双线性上采样差值的三个用途:用作初始化反积的重;不用反积,使用上积+积;只使用上采样。下面介绍膨胀积或带洞积(Dilated Convolution )。 它的用途可以使特征视野变大,但不增加计算量,对于像分割的好处,更利于提取全局信息,这样就使得分割准确率增加很多。?特征字塔(Feature Pyramid)有以下几种特征字塔?特征字塔网络?

    71550

    DPM目标检测算法

    ,真正与原特征积计算的是检测算子,即SVM分类模型系数w),每个单元内都是SVM分类模型系数w对梯度方向加叠加,梯度方向越亮的方向可以解释为行人具有此方向梯度的可能性越大。 (中每一个白色的发散的叉表每一个cell的梯度直方,他本质是一个31维的特征向量,我的理解:这个模型好像并不是梯度的特征向量,而是通过SVM学习到的梯度特征向量的值,即“w”???) 对于2倍像的DPM特征,和训练好的Part filter做积操作,从而得到Part filter的响应。然后对其精细高斯字塔的下采样操作。 滤波器(模)就是一个重向量,一个w * h大小的滤波器F是一个含w * h * 9 * 4个重的向量(9*4是一个HOG细胞单元的特征向量的维数)。 (就是一个模匹配)加平均root的和part的,得到最终的融合特征对融合特征进行传统分类,回归得到目标位置。

    67341

    自动驾驶领域:一种实时高精度的城市道路场景语义分割方法

    利用不同规模的池化操作提取丰富而独特的语义信息,开发了空间字塔池化算法,实现了多尺度的目标检测。同时,设计了具有浅层积层的空间细节保护网络(SPN),生成高分辨率的保留空间细节信息的地形。 相关知识:2D空洞积下不同的空洞率:数据城市景观数据集上具有挑战性的多尺度变化的说明:从中可以看出,同一类别的物体(如人或车)在尺度上有很大差异。 进一步在改进的MobileNetV2中添加了几个积注意模块(CAM)来选择信息通道。利用CAM生成的值来指导网络学习,从而得到加特征。这种方法有利于突出重要信息,抑制不相关信息。 注意,输入通道的数量减少了1×1积操作,有效地提高了凸轮的效率。然后,全连通层和Sigmoid函数得到关注向量。最后,根据注意向量对特征的不同通道进行加。 SPN最终输出的feature map是原始输入像大小的14,包含88个通道。虽然SPN得到的feature map分辨率较大,但计算价较小(因为压缩ResNet-18只使用了浅积层)。

    15920

    学界 | 字塔注意力网络:一种利用底层像素与高级特征的语义分割网络

    积神经网络的近期发展中,根据其丰富的层级特征和端到端的可训练框架,像素级语义分割方面有了可观的进步。但是在编程高维度表的过程中,原本像素级的环境背景中的空间分辨率会降低。 如 1 显示,FCN 基线无法在细节部分做出精准预测。第二排中,在牛旁边的羊被识别到错误分类之中;以及第一排中自行车的把手没有被识别成功。对此我们需要考虑两个具有挑战性的问题。 第一排中自行车的把手没有被识别成功,第二排中在牛旁边的羊被识别到了错误类别。 中蓝色线和红色线依次表下采样和上采样的运算。特征字塔注意力启发自注意力机制,我们考虑如何为从 CNN 提取出的高级特征提供精准的像素级注意力。 更多的,多类信息的高级特征可以用于加底层信息而选择精准分辨率细节。? 4:全局注意力的上采样模块结构。实验结果?表 1:特征字塔注意力的性能细节以及不同设置。

    56301

    JavaScript隐写术 – 加入看不见的文字

    大家看“崔永元”这张照和普通的一样,没什么区别,其实是加密过的。简单的说,上述的处理过程可以理解为对像素的处理,也就是说,加密的信息散布在每个像素点上。 没错,上面这个例子只是隐写术的一个现技术实现,隐藏信息的手段有很多,我们日常的钞票防伪也算是隐写术的一种,所以标题上也限定了我们的讨论范围——隐写术。? 这时候,对R分量的值+1,即为170,整个像素RGB值为#AAD5F4,别说你看不出差别,就连火眼的“像素眼”设计师都察觉不出来呢。于此同时,修改G、B的分量值,也是我们无法察觉的。 解开中的秘密?还是“崔永元”的这张照,为了让例子足够简单,里面的R通道分量被我加入了文本信息,想知道其中的信息,可以跟我用canvas码来解开。 价值隐写术的应用价值很广泛,比如程序员之间的表白(不限男女),不失为一种浪漫的方式~有个成功案例就是大众点评通过这种方式,成功证明食神app对其的盗用,为自己的合法益进行了有效维护。

    68320

    在微信里做问调查,哪个小程序更好用?| 晓 PK #6

    关注「知晓程序」公众号,微信在后台回复「开发」,教你一个让用户授微信账户登录小程序的好方法。其中,「小问」、「乐问」、「秀赞问」都是利用这种方式。? 表单功能作为一个问小程序,表单功能将是一个重点的考察环节。1. 数据 Mini用户在创建空白表单的时候,可以填写的内容分别有表单名称、表单头、表单描述、字段类型。 另外,除了可以创建空白问外,数据还预设了 6 个模供用户使用。2. 而且,每个字段类型都可以选择是否使用,以及是否必答。?而测评问则都是单选题,可以设置每个选项对应的分数。 小问「小问」能创建的空白表单非常简单,可以填写的有标题,补充描述,是否匿名,截止日期,字段。其中字段类型只有单选和多选,对应的选项可以上传。?

    3.8K30

    iCDO一周数据要闻:抖音将要再造一个“大众点评”;百度利用大数据创作文章被诉侵犯著作;微信掘在线教育市场

    :制造者疑为95后12月5日 电商法实施在即个体户可将网店登记为经营场所上周【新奇特】11月30日 微信掘在线教育市场,AI助教不仅能阅还能纠正口语12月2日 索尼可折叠手机专利曝光 屏幕还能变透明 2018年9月10日,“点圣手”未经许可在百度经营的“百家号”平台上发布涉案文章,侵害了原告的信息网络传播。被告将涉案文章的署名及首尾段进行删除,侵害了原告的署名及保护作品完整。 (来自网络) 这就意味着,你可将其中一个显示切换到透明模式,将另一个显示切换到非透明模式。除此之外,该专利还提到了某种透明的可曲显示器。 (来自网络)由于人工智能需要使用大量数据进行训练才能识别物体。而识别技术最近的跨越式发展也得益于公开的大型数据库的推出,包括ImageNet和Open Images。 解决这个问题的方法之一就是开发更加多样化且具有表性的数据库。虽然谷歌在采用这一方法,但该公司相信还有另外一种方式可以采纳:调整机器学习算法本身,使之在学习不完美的数据时更具包容性。

    26860

    人脸算法系列:MTCNN人脸检测详解

    这里附上文章链接:完美解决Github上下载项目失败或速度太慢的问题第二步:配置好所需的环境mxnet的安装非常容易,这里以我的电脑为例安装GPU本的mxnet只需一行码即可完成安装,首先查询自己所安装 到这里我们已经能够检测到人脸了,对于自己的,只需要修改main.py中读入的路径即可。更多自定义操作,例如批量处理和保存,可以根据自己的需求来添加。 来源与论文原文 从上可以知道主要包括四个操作,三个步骤。1、字塔对进行Resize操作,将原始像缩放成不同的尺度,生成字塔。 然后将不同尺度的像送入到这三个子网络中进行训练,目的是为了可以检测到不同大小的人脸,从而实现多尺度目标检测。字塔是像中多尺度表达的一种。 MTCNN的损失函数针对人脸识别问题,直接使用交叉熵价函数,对于框回归和关键点定位,使用L2损失。最后把这三部分的损失各自乘以自身的重累加起来,形成最后的总损失。

    68010

    相关产品

    • 正版图库直通车

      正版图库直通车

      正版图库直通车(APE)联合腾讯系内顶级设计团队,提供海量的优质图片,版权清晰,场景多样,为您带去无尽设计素材,充分打开创意空间。您仅需在统一平台搜索并选用图片,即可轻松便捷地获取图片永久授权,远离侵权风险。

    相关资讯

    热门标签

    活动推荐

      运营活动

      活动名称
      广告关闭

      扫码关注云+社区

      领取腾讯云代金券