27 posts tagged with "docusaurus"

View All Tags

图像分类

招晓贤

AI engine @ Facebook
  1. 亚马逊丛林卫星多任务学习与部署

  2. 多任务学习与人脸多属性识别

  3. 细粒度图像识别与bilinear CNN

  4. 已图搜图检索系统

  5. 目标检测

  6. 深度学习语义分割

  7. OCR光学文字识别

  8. 亚马逊丛林卫星多任务学习与部署 核心--tf sequence, 不定项选择和单选择

  9. 多任务学习与人脸多属性识别 多任务学习本质是迁移学习,很多形态, 联合学习,自主学习,辅助任务学习 归纳迁移 归纳编制 Estimator tf.data.Dataset %%writefile filename.py tf.decode_csv()解析csv文件 tf.read_file(filename)==>> tf.image.decode_image(filename,channels=3) tf.cast(age,tf.int64) tf.data.TextLineDataset() dataset.map()映射 dataset.shuffle乱序 dataset.repeat 反复读 tf.layers.dropout随机失活 tf.argmax

  10. 细粒度图像识别--就是更细致的品类分辨出来 方法: 传统:可以用resnet,vgg来分类, 目前细粒度图像识别方法主要有两种:

  11. 基于强监督学习方法: 这里强监督信息是指bounding box或者landmark

  12. 基于弱监督学习方法 Bilinear CNN--结构不复杂,效果好的双线性模型,网络A/网络B, 网络A对物体位置的截取,网络B是对网络A截取部分的特征提出 卷积神经网络就是特征抽取器

  13. 对图片的反转,截取,数据加强的处理

图像检索

  1. CBIR基本构成
  2. SIFT一种检测局部特征的算法,使用opencv
  3. 深度学习,卷积神经网络是非常好的抽取图片特征的网络
  4. 距离相似度. Jaccard相似度(A^B/AUB),余弦定理,欧式,近似最近邻问题
  5. t-SNE降维到2维--CNN==>抽取特征===>T-SNE==>降维到2维平面==>可以看出抽取特征后,类别已经划分好不同的模块,容易分类
  6. ANN近似最近邻算法,损失小量精度的情况下大幅度提升近邻检索速度
  7. 局部敏感度哈希
  8. 对图片预处理==> load_img ==>> img_to_array(img)转成ndarray==>>np.expand_dims(img,axis=0)就是变成batch

深度相似度排序模型

  1. 损失函数的构建
  2. 三元组采样,Convnet,排序
  3. 卷积神经网络越浅层是越捕捉细节纹理特征,越深层是捕捉越抽象的图像语义特征 打印model的层次layer for layer in deep_rank_model.layers: print(layer.name,layer.output_shape) glob.glob功能 pillow

基于深度学习的图像物体检测

  1. 目标检测 a. 分类 b.定位 c.检测 (画框框) d.分割 (抠图) 我觉得用图像检测可以测人流量
  2. Mask-RCNN完成物体检测
  3. SSD源码实现--无人驾驶的感知应用很多,兼顾了速度和精度 signle shot multibox ditections SSD 速度完爆 Faster R-CNN
  4. VGG, 把FC6和FC7换成卷积层,然后再加上8个卷积层
  5. default box是由一定规则生成的,是anchor机制类似
  6. NMS过滤掉背景和得分不是很高的框
  7. convolutional predictiors for detection
  8. bounding box

语义分割 FCN--特征融合就是反卷积+上采样==>>求和

  1. 全卷积FCN
  2. 反卷积层--增大图像尺寸
  3. 跳级结构 FCN-32s upsampled 上采样--放大图像

U-net SegNet--典型的encoder-decoder 先缩小再放大 Encoder是对内容进行抽象,decoder是对高阶信息的理解与编译 encoder stage-- pooling indices和pooled map

DeeplabV3+ Encoder+Decoder 空间金字塔--利用空洞卷积,生成基层卷积再过池化 ASPP

遥感图像语义分割

基于CRNN的不定长文字识别原理与实现

1.1 CRNN文字识别原理 1.2 数据处理 1.3 网络设计 1.4 损失函数 1.5 网络训练设计 1.6 训练过程与测试设计 1.7 识别效果和总结

CTC原理--解决不定长文字问题

图像项目

招晓贤

AI engine @ Facebook
  1. 亚马逊丛林卫星多任务学习与部署

  2. 多任务学习与人脸多属性识别

  3. 细粒度图像识别与bilinear CNN

  4. 已图搜图检索系统

  5. 目标检测

  6. 遥感图像

  7. OCR光学文字识别

  8. OCR文字识别--CRNN_OCR_RECOGNIZER-文字检测内容

  9. 基于深度神经网络的图像检索系统-https://www.chinahadoop.cn/course/1550/learn#lesson/47807

  10. 目标检测--https://www.chinahadoop.cn/course/1550/learn#lesson/47811

oss对图片基本处理

招晓贤

AI engine @ Facebook

基本概念

以图片分享网站为原型。该网站拥有大量静态文件,作为一个图片分享平台,需要根据用户请求,实时地将用户的原图在线转换成需要的图片。本实验使用ECS作为Web服务端,使用OSS服务作为图片存储,解决了图片在线处理的问题。由于使用OSS的图片处理功能需要进行域名绑定,事先已将OSS bucket和指定的ECS Web服务器端进行域名绑定,并进行CNAME配置。配置完成后,即可通过ECS Web服务端域名访问OSS bucket保存的静态数据。

使用负载均衡nginx实现http/https混合访问

招晓贤

AI engine @ Facebook

基本概念

HTTPS 协议 HTTPS 能够加密信息,以免敏感信息被第三方获取。所以很多银行网站或电子邮箱等等安全级别较高的服务都会采用 HTTPS 协议。

HTTPS 是更安全的 HTTP 协议,它在 TCP(负责网络数据传输)和 HTTP层 之间,增加了一个 SSL 层。这一层通过数字证书和加密算法对 HTTP 请求进行加密。已经采用 HTTP 协议的网站要过渡到 HTTPS,将在技术改造、服务器资源、流量资源上付出更多成本。

python脚本基础(1)-python中os的常用方法

招晓贤

招晓贤

AI engine @ Facebook

1.os模块:os模块在python中包含普遍的操作系统功能,下面列出了一些在os模块中比较有用的部分。

os.sep可以取代操作系统特定的路径分隔符。windows下为 “\”

os.name字符串指示你正在使用的平台。比如对于Windows,它是'nt',而对于Linux/Unix用户,它是'posix'。

os.getcwd()函数得到当前工作目录,即当前Python脚本工作的目录路径。

word2vec详解

招晓贤

招晓贤

AI Engineer

什么是Word2Vec和Embeddings?

我们可以简单认为Word2Vec就是把词语向量化,也就是每个我们对于一个语料库进行学习后,每个单词都有对应的坐标位置,这时候,通过每个单词的坐标位置,我们可以通过余弦定理推导出两个词语,短语或者句子的相似程度。这里可以参考我参与的云润大数据舆情系统的词云项目,关键词匹配 jpeg

Hola

Gao Wei

Gao Wei

Docusaurus Core Team

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Pellentesque elementum dignissim ultricies. Fusce rhoncus ipsum tempor eros aliquam consequat. Lorem ipsum dolor sit amet