博客 - 古月居

目标检测网络之三叉戟TridentNet

论文：Scale-Aware Trident Networks for Object Detection Github：https://github.com/TuSimple/simpledet/tree/master/models/tridentnet 图森的工作论文提出了TridentNet ，基于ResNet-101 的基础骨架网络在coco数据集上达到了单模型48.

机器学习目标检测深度学习物体检测 TridentNet

watersink
15 小时前
19 0 0
Faster RCNN总结

faster RCNN选自2015年 NIPS， Faster R-CNN: Towards Real-Time Object Detection withRegion Proposal Networks 正如上图所示，检测不同尺度(scale)，不同长宽比(aspect ratios)的目标物通常的3种做法。（a）Pyramids of images，缩放图像来达到不同的sca

深度学习神经网络物体检测目标识别 RCNN

watersink
15 小时前
26 0 0
对抗神经网络

一、对抗NN简介大牛Ian J. Goodfellow 的2014年的《Generative Adversative Nets》第一次提出了对抗网络模型，短短两年的时间，这个模型在深度学习生成模型领域已经取得了不错的成果。论文提出了一个新的框架，可以利用对抗过程估计生成模型，相比之前的算法，可以认为是在无监督表示学习(Unsuperivised representation learning)

机器学习深度学习神经网络对抗网络

路途
15 小时前
15 0 0
Haar特征分类器和AdaBoost算法

参考链接：(1) https://blog.csdn.net/JasonDing1354/article/details/37558287(2) https://blog.csdn.net/zouxy09/article/details/7922923(3) https://blog.csdn.net/zouxy09/article/details/7929570 1. 前言我们要探讨的Ha

机器学习目标检测深度学习自动驾驶 Adaboost

奔跑的chanchanchan
15 小时前
15 0 0
斯坦福深度学习课程cs231n assignment2作业笔记五：Batch Normalization（以及Layer Normalization）

介绍一般来说，让网络更易于训练有两种方式。一种是采用更加精巧的优化方法，如SGD+momentum, RMSProp, or Adam。另一种方法是改变网络的结构，使其更加易于训练。Batch Normalization就是这样一种方法。这一方法很直接。一般来说，机器学习方法在中心为0，标准差为1的输入数据上会表现得更好。在训练网络时，我们通过预处理，可以使得输入数据符合这一特征。然而，更

人工智能机器学习深度学习神经网络

持久决心
15 小时前
17 0 0
Arduino Uno 实验15——MQ-135 气体传感器模块

MQ-135 气体传感器模块简介(空气质量检测有害气体检测) MQ135气体传感器所使用的气敏材料是在清洁空气中电导率较低的二氧化锡(SnO2)。当传感器所处环境中存在污染气体时，传感器的电导率随空气中污染气体浓度的增加而增大。MQ135气体传感器对氨气、硫化物、苯系蒸汽的灵敏度高，对烟雾和其它有害气体的监测也很理想。这种传感器可检测多种有害气体，是一款适合多种应用的低成本传感器。

Arduino 嵌入式学习笔记气体传感器

惺忪牛犊子
15 小时前
14 0 0
精选【点云配准｜TEASER++】源码解析与修改

上一篇：【点云配准｜TEASER++】论文介绍&环境配置源码解读以 examples/teaser_cpp_fpfh/teaser_cpp_fpfh.cc 为例。代码主要流程为：加载 .ply 源点云模型将源点云数据写入 Eigen 矩阵执行旋转和平移变换得到目标点云对目标点云加噪声和外点将目标点云从 Eigen 矩阵转换为 tease

点云处理点云配准

宇宙爆肝锦标赛冠军
2 天前
33 0 1
精选点云地面分割算法——投射成Range图像

Efficient Online Segmentation for Sparse 3D Laser Scans 描述本文来分析另外一篇点云分割的算法原文：Efficient Online Segmentation for Sparse 3D Laser Scans 算法中分为两步，第一步是点云地面分割，第二步是对除去地面后的点进行分割。和之前一样，我们还是先只介绍地面分割的部分，之后有时间

点云分割

绿竹巷人
2 天前
132 0 0
精选SSD(Single Shot MultiBox Detector)不得不说的那些事

该方法出自2016年的一篇ECCV的oral paper，SSD: Single Shot MultiBoxDetector，算是一个革命性的方法了，非常值得学习和研究。论文解析： SSD的特殊之处主要体现在以下3点：（1）多尺度的特征图检测（Multi-scale），如SSD同时使用了上图所示的8_8的特征图和4_4特征图。（2）相比于YOLO，作者使用的是卷

机器学习深度学习神经网络物体检测 SSD

watersink
2 天前
31 0 0
Haar特征级联分类器的训练与检测

参考链接： https://blog.csdn.net/zhuangxiaobin/article/details/25476833 Github链接： https://github.com/chanchanchan97/ROS 1. 样本的创建训练样本分为正样本和负样本。正样本是指待检目标样本，例如车辆，行人，人脸等，负样本是指其它任意图片。所有的样本图片都被归一化为同样的尺寸大小，例如

机器学习目标检测深度学习自动驾驶

奔跑的chanchanchan
2 天前
28 0 0
【图像】骨架提取与分水岭算法

1、骨架提取骨架提取，也叫二值图像细化。这种算法能将一个连通区域细化成一个像素的宽度，用于特征提取和目标拓扑表示。 morphology子模块提供了两个函数用于骨架提取，分别是Skeletonize（）函数和medial_axis（）函数。 1.1. Skeletonize()函数输入和输出都是一幅二值图像。 from skimage import morphology,data,c

建模仿真图像处理骨架提取分水岭算法

路途
2 天前
25 0 0
斯坦福深度学习课程cs231n assignment2作业笔记四：Fully-Connected Neural Nets

在有引导的情况下，发现具体实现和相关原理并不难。可是在学习这个课程之前，这些知识点对于博主来说都是不想去理解的理论知识，更没想过手动实现。不得不说，大牛的课程就是牛啊。跟着走了一遍之后，以前感觉底层的东西都理解的很透彻。本博客只贴出代码，给大家自己编写时有一个参考。不会去详细解释原理作业内容以更加模块化的方式实现全连接神经网络，主要包括：实现诸如affine，relu等等层的前向计

人工智能机器学习深度学习 Neural Nets

持久决心
2 天前
23 0 0
Arduino Uno 实验14——声音传感器

声音传感器简介声音传感器的作用相当于一个话筒（麦克风）。它用来接收声波，显示声音的振动图像，但不能对噪声的强度进行测量。该传感器内置一个对声音敏感的电容式驻极体话筒。声波使话筒内的驻极体薄膜振动，导致电容的变化，而产生与之对应变化的微小电压。这一电压随后被转化成0-5V的电压，经过A/D转换被数据采集器接受，并传送给主板。使用说明: 1.声音模块对环境声音强度最敏感，

传感器 Arduino 嵌入式学习笔记

惺忪牛犊子
2 天前
25 0 0
YOLO v1之总结篇（linux+windows）

论文解读篇： YOLO出自2016 CVPR You Only Look Once:Unified, Real-Time Object Detection，也是一个非常值得学习的框架，不得不说facebook的技术就是牛啊。整个训练和检测框架都是端到端，YOLO达到了45帧每秒，Fast YOLO达到了155帧每秒，除了刚开始加载模型有点慢，检测部分确实是非常的快。

机器学习 YOLO 深度学习神经网络目标识别

watersink
2 天前
24 0 0
精选火爆开营| 第三期ROS2 QT 21天训练营早鸟优惠中，仅剩10个名额！抓紧抢购！

训练营介绍古月学院重磅上线第三期ROS2 Qt 21天训练营，全新模式，每周解锁两章学习内容、课后作业以及解析，学完还有考试测验，边学边问，社群内讲师1v1答疑。课程试看点击此链接试看课程：《如何从零实现一个ROS2 QT功能包》早

ROS2 qt 早鸟优惠

古月居官方
3 天前
222 0 0
精选YOLOv5-v6.0学习笔记

参考链接：1. 深入浅出Yolo系列之Yolov5核心基础知识完整讲解2. yolov5 结构知识点解析3. yolov5目标检测神经网络——损失函数计算原理 1. 网络结构 1.1 Backbone YOLOv5-6.0版本的Backbone主要分为Conv模块、CSPDarkNet53和SPPF模块。 1.1.1 Conv模块 YOLOv5在Conv模块中封装了三个功能：包括

机器学习深度学习神经网络目标识别 yolov5

奔跑的chanchanchan
3 天前
85 0 0
图像分割之 deeplab v1,v2,v3,v3+系列解读

DeepLabv1：Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFs ICLR 2015 官网：https://bitbucket.org/deeplab/deeplab-public. 优点：速度快，带空洞卷积的基于VGG16基础结构的DCNN，可

机器学习深度学习图像处理图像分割 deeplab

watersink
3 天前
32 0 0
【AIOT】HumanCenteredSensing

1. 人体存在感知 **目标：**检测环境中的所有人体，标记出每个人体的坐标位置；不限人体数量，适应中低空斜拍、人体轻度遮挡、截断等场景 .1. WAYV AIR WAYV AIR 智能人体存在感知雷达目前已成功应用于多个智能卫生间项目中，实现厕位的占位及人流量统计 • 检测准确率高，不管是静止、微运动还是运动人员都可以实现准确检测； • 无隐私、敏感问题，无镜头设计； • 超

机器学习目标检测神经网络人脸识别边缘计算

路途
3 天前
27 0 0
斯坦福深度学习课程cs231n assignment1作业笔记三：softmax实现相关

任务实现向量化的损失函数实现向量化的梯度计算分析梯度与数值梯度的验证使用验证集来选择超参数使用SGD优化方法可视化权重理论知识 softmax损失函数令W为权重矩阵，大小为D×C；x为输入，大小为1×D；b为偏置项，大小为1×C。那么模型的输出为：XW + b 为一个向量S（1×C），对应样本属于各个类别的得分。在实际实现中偏置b被放入了W中，只需要

人工智能机器学习深度学习 softmax

持久决心
3 天前
26 0 0
Arduino Uno 实验13——DHT11温湿度传感器

DHT11温湿度传感器模块简介 DHT11概述数字温湿度传感器是一款含有已校准数字信号输出的温湿度复合传感器。它应用专用的数字模块采集技术和温湿度传感技术，确保产品具有极高的可靠性与卓越的长期稳定性。传感器包括一个电阻式感湿元件和一个NTC测温元件，并与一个高性能8位单片机相连接。因此该产品具有品质卓越、超快响应、抗干扰能力强、性价比极高等优点。每个DHT11传感器都在极

传感器 Arduino 嵌入式学习笔记温湿度传感

惺忪牛犊子
3 天前
25 0 0

1
2
3
4
5
...
328
下一页

想获取更多信息和操作，请移步电脑网页版