• 2024-11-19三维测量与建模笔记 - 点特征提取 - 4.4 SIFT
        上图展示了DoG空间的一个例子,不同的 和k所产生的细节是不一样的。    关于SIFT的更详细的描述,可以参考一下链接:关键点检测SIFT算法笔记-CSDN博客文章浏览阅读1.7k次,点赞3次,收藏10次。SIFT(ScaleInvariantFeatureTransform),尺度不变特
  • 2024-11-11单目视觉测量及双目视觉测量
    一、单目视觉测量     1.1原理部分讲解             单目视觉系统通过采集图像,将图像转换为二维数据,然后对采集的图像进行模式识别,通过图像匹配算法识别行驶过程中的车辆、行人、交通标志等,最后依据目标物体的运动模式和定位技术,估算目标物体与本车
  • 2024-06-122025秋招图像处理面试题01_LBP算法原理
    问题LBP是一种常见的特征描述算法,用来提取局部的纹理特征,其原理其实很简单,下面我们就来看看它是怎么一回事吧。LBP简介LBP(LocalBinaryPatterns,局部二值模式)是一种很简单但很高效的局部纹理特征描述算子,于1994年由T.Ojala,M.Pietikäinen和D.Harwood提出,经过后续的
  • 2024-03-13一文弄清池化层(pooling)的作用
    池化层的本质是一个下采样,数据经过卷积之后,维度会越来越高,在特征图没有较大改变的情况下,参数量却上涨的很快,造成模型的训练困难和过拟合现象,所以将池化层置于连续的卷积层之间,以压缩数据量和参数以减少过度拟合,对卷积层输出的特征图进行特征选择。池化层的具体操作是
  • 2023-11-03图上平移不变性问题
    平移不变性问题1.数据域随着网络时代的发展,生活中产生的数据量越来越多,但数据大体分为两类:欧几里得数据、非欧几里得数据。如下图为两类常见的数据:1.1欧几里得数据它是一类具有很好的平移不变性的数据。对于这类数据以其中一个像素为节点,其邻居节点的数量相同。所以可以很好
  • 2023-10-186.卷积神经网络
    卷积层的作用一在说卷积层之前,我想先说一下为什么会有卷积层;前面几个博客提到的神经网络都是用矩阵乘法来建立输入和输出之间的关系,如果有n个输入和m个输出,那么就需要n*m个参数;如果n和m很大并且有多个全连接层的话需要的参数数量是庞大的;卷积层就是通过三个特性来解
  • 2023-10-07胶囊网络
    https://blog.csdn.net/qq_45549605/article/details/126761439https://m.thepaper.cn/baijiahao_8690116https://www.zhihu.com/question/289666926/answer/2954204725https://zhuanlan.zhihu.com/p/130490034自从ResNet开始,大家逐渐使用步长为2的卷积层替代Size为2的池化层,
  • 2023-09-11§5. 微分
    掌握微分的定义以及可微和可导之间的关系。掌握微分的运算法则,特别是一阶微分形式的不变性。掌握高阶微分的定义,注意高阶微分没有形式的不变性。能够运用微分进行近似计算和误差估计。重点习题:第2、3、4题,通过这些习题体会掌握微分的定义与求法。
  • 2023-07-23矩阵乘法指数的基域不变性
    昨天意识模糊的时候突然想到了这个东西如何证明,重新发明了一遍.对于域\(F\),我们记\(\omega(F)\)为在域\(F\)上的矩阵乘法的张量秩给出的\[\omega(F)=\inf_{n}\frac{\logR(\langlen,n,n\rangle)}{\logn},\]我们知道,对于无限域\(F\)来说,这本质刻画了矩阵乘
  • 2023-03-12手工视觉特征-SIFT特征提取
    本篇内容:SIFT特征、HOG特征、BoVW模型传统方法:手动设计特征深度学习:特征学习SIFT,即Scale-InvariantFeatureTransform尺度不变特征变换虽然同一个物体的不同图像,可能
  • 2022-10-28卷积神经网络(CNN)的平移不变性和旋转不变性。
    文章目录​​不变性的介绍​​​​不变性的原理​​不变性的介绍不变性意味着即使目标的外观发生了某种变化,但是你依然可以把它识别出来。旋转不变性和平移不变性:通俗的讲,我
  • 2022-10-16归纳偏置(Inductive Bias)
    在transformer利用到计算机视觉领域中后,相关文章中反复强调Inductivebias.本文仅是自己的理解记录。如有错误,还请指正。在机器学习中,很多学习算法经常会对学习的问题做一些