Mobilenet概念：MobileNet模型是Google针对手机等嵌入式设备提出的一种轻量级的深层神经网络，其使用的核心思想便是depthwise separable convolution。Mobilenet思想：通俗地理解就是3x3的卷积核厚度只有一层，然后在输入张量上一层一层地滑动，每一次卷积完生成 一个输出通道，当卷积完成后，在利用1x1的卷积调整厚度。对于一个卷积点而言： 假设有一个

import tensorflow as tfimport numpy as npimport matplotlib.pyplot as plt#使用numpy生成200个随机点x_data=np.linspace(-0.5,0.5,200)[:,np.newaxis]noise=np.random.normal(0,0.02,x_data.shape)y_data=np.square(x_dat

SiameseBAN论文来源论文背景主要贡献论文分析网络框架创新点一：Box Adaptive Head创新点二：Ground-truth创新点三：Anchor Free论文流程训练部分：跟踪部分论文翻译Abstract1. Introduction2. Related Works2.1. Siamese Network Based Visual Trackers2.2. Anchor-free

直方图及直方图均值化的理论，实现及展示直方图：首先，我们来看看什么是直方图：理论概念：在图像处理中，经常用到直方图，如颜色直方图、灰度直方图等。 图像的灰度直方图就描述了图像中灰度分布情况，能够很直观的展示出图像中各个灰度级所 占的多少。 图像的灰度直方图是灰度级的函数，描述的是图像中具有该灰度级的像素的个数：其中，横 坐标是灰度级，纵坐标是该灰度级出现的频率。意义：• 直方图反映了图像中的灰度分

主成份分析算法PCA非监督学习算法PCA的实现：简单来说，就是将数据从原始的空间中转换到新的特征空间中，例如原始的空间是三维的(x,y,z)，x、y、z分别是原始空间的三个基，我们可以通过某种方法，用新的坐标系(a,b,c)来表示原始的数据，那么a、b、c就是新的基，它们组成新的特征空间。在新的特征空间中，可能所有的数据在c上的投影都接近于0，即可以忽略，那么我们就可以直接用(a,b)来表示数据，

一，论文来源论文pdfVariational graph auto-encoders论文代码github代码二，论文解读理论部分参考：Variational Graph Auto-Encoders（VGAE）理论参考和源码解析VGAE（Variational graph auto-encoders）论文详解理论方面其实前面两位大佬说的很好了，这里我只是来阐述两点：1.测试方法：模型在数据集的不完整

上采样和下采样什么是上采样和下采样？• 缩小图像（或称为下采样（subsampled）或降采样（downsampled））的主要目的有两个：1、使得图像符合显示区域的大小；2、生成对应图像的缩略图。• 放大图像（或称为上采样（upsampling）或图像插值（interpolating））的主要目的是放大原图像,从而可以显示在更高分辨率的显示设备上。注意：如果想放大一个图片或者一个图片，应该想到，

一，论文来源论文pdfVariational graph auto-encoders论文代码github代码二，论文解读理论部分参考：Variational Graph Auto-Encoders（VGAE）理论参考和源码解析VGAE（Variational graph auto-encoders）论文详解理论方面其实前面两位大佬说的很好了，这里我只是来阐述两点：1.测试方法：模型在数据集的不完整

今天开始CV方向的学习，然而刚拿到基础代码的时候发现from skimage.color import rgb2gray 和 import cv2标红（这里是因为我已经配置成功了，所以没有红标），我以为是单纯两个库没有下载，去pycharm中下载skimage.color 和cv2没有，后来通过百度明白：cv2是opencv库中的，而skimage是scikit_image库中的。先是opencv

图像噪声：概念：• 图像噪声是图像在获取或是传输过程中受到随机信号干扰，妨碍人们对图像理解及分析处理 的信号。• 很多时候将图像噪声看做多维随机过程，因而描述噪声的方法完全可以借用随机过程的描述， 也就是使用随机过程的描述，也就是用它的高斯分布函数和概率密度分布函数。• 图像噪声的产生来自图像获取中的环境条件和传感元器件自身的质量，图像在传输过程中产 生图像噪声的主要因素是所用的传输信道受到了噪声