个人博客：wyxogo.top卷积就是特征提取器，通过卷积计算层提取空间信息，例如我们可以用卷积和提取一张图片的空间特征，再把提取到的空间特征送入全连接网络，实现离散数据的分类。但是一些与时间相关的，只可以根据上文预测书下文来预测。通过不同时刻的参数共享，实现了对时间序列的信息提取。yt=softmax(htwhy+by)y_t = softmax(h_t w_{hy} + b_y)yt​=sof

个人博客：wyxogo.top前面已经使用TensorFlow2的原生代码搭建神经网络，接下来将使用keras搭建神经网络，并改写鸢尾花分类问题的代码，将原本100多行的代码用不到20行代码实现。描述各层网络：拉直层：tf.keras.layers.Flatten()，将输入特征拉直全连接层：tf.keras.layers.Dense(神经元个数，activation=“激活函数”，kernel_

个人博客：wyxogo.top针对Harris无法拟合尺度问题而提出目标:独立检测同一图像缩放版本的对应区域需要通过尺度选择机制来寻找与图像变换协变的特征区域大小“当尺度改变时控制每个圆内的内容不变”具体的算法是在边缘检测中使用的高斯一阶偏导核转换为高斯二阶偏导核使用Laplacian核与图像进行卷积操作**边缘：**出现波纹的地方**尺度信息：**当波纹重叠并出现极值的地方空间选择:如果Lapl

个人博客：wyxogo.top图像分割是将图片将相似的部分分割成相同的块解释物体分割的底层原理将同一个东西群组在一起,集合中的元素可以具有由关系产生的属性Gestalt中常见的一些分组的情况现实生活中的分组现象将这种思想转化为算法主要思想：相似的像素应该属于同一类像素表达：每个像素可以使用一个多维向量来表示，如(R, G, B)的三维向量，(R, G, B, x, y)的五维向量基于灰度值或颜色的

个人博客：wyxogo.top在大多数时候图像的边缘可以承载大部分的信息，并且提取边缘可以除去很多干扰信息，提高处理数据的效率识别图像中的突然变化(不连续)边缘是图像强度函数中快速变化的地方，变化的地方就存在梯度，对灰度值求导，导数为0的点即为边界点卷积的导数∂f(x,y)∂x=lim⁡ε→0f(x+ε,y)−f(x,y)ε\frac {\partial f(x,y)}{\partial x}=

个人博客：wyxogo.top以MNIST的sequential模型为base-line，通过读取自己的数据，训练模型并存储模型，最后达到绘图实物的运用。给x_train、y_train、x_test、y_test赋值数据增强，扩充数据集数据增强（增大数据量），可以简单的扩展数据集，对图像的数据增强就是对图像的简单形变。tensorflow2中的数据增强函数其中image_gen_train.fi

个人博客：wyxogo.top给定数据集“Sort_1000pics”，该数据集包含1000张彩色图片，分为10类。使用Bayes，SVM，决策树，K-Means四种算法对该数据集进行分类，输出各算法的混淆矩阵，准确率，时间效率等测试结果。数据集Sort_1000pics数据集由1000图片组成，分为人、沙滩、建筑、卡车、恐龙、大象、花朵、马、山峰、食物10大类。实验方案生成数据与标签import