比特平面分层：例如，在一幅256级灰度图像中，图像值是由8比特（1字节）组成的。8比特的二进制表示中为：* * * * * * * * ，其中*代表一个二进制位，从二进制高位到低位切割成8份，分别对每份二进制位的图像二进制形式的值进行变换，通过一个变换函数阈值处理成一个二值图像，比如高位的十进制形式的图象值早0-127之间的灰度值映射到0，将128到255之间的灰度值映射为1，0表示成二值图像中的

:照射分量：照射强度书中P26是这么解释韦伯比的：不够亮时，目标给出响应“否”，表明没有可觉察的变化。逐渐变强时，目标给出肯定的响应“是”，表明有可觉察的变化。最后，当足够强时，目标始终给出肯定的响应“是”。称为韦伯比，其中是背景照射为时50%时间可辩别的照射增量。较小的值意味着可辩别亮度小百分比变化。这表示“较好”的亮度辨别能力。相反，较大的值意味着人眼检测变化时要求较大百分比的亮度变化。这表示

K比特图像1.图像大小b：b=MNK （M、N代表图像横纵像素长度）2.当图像分辨率固定时，可变参数K称该图像为K比特图像图像灰度级为（个人觉得这样的定义在我现阶段的认识不太认可）灰度级↓=>图像渐变层级↓；色域跨度↑=>图像对比度↑邻接、联通、区域和边界1.邻接的定义（书中原文）令V是用于定义邻接的灰度值集合。在二值图像中，按值为1的像素的邻接时，V={1}。采用8邻接可能导致的歧义

几何变换旋转变换（关于原点）：

Scalable Object Detection using Deep Neural Networks阅读该论文前有一些需要了解的知识博客非极大值抑制(Non-Maximum Suppression)论文理解论文的方法我们的目标是通过预测一组表示潜在对象的边界框来实现与类无关的可伸缩对象检测。更准确地说，我们使用深度神经网络(DNN)，它输出固定数量的边界框。此外，它为每个表示包含对象的盒子的网

前言论文推荐来自B站UP-启释科技，该up对感受野和卷积有深刻的理解推荐感受野视频讲解：深度理解感受野（一）深度理解感受野（二）深度理解感受野（三）深度理解感受野（四）深度理解感受野（五）深度理解感受野（六）关于感受野计算基础相关的博文可以了解：感受野-Receptive Field的理解回归正题，该篇论文发表于NIPS-2016Abstract我们研究了深卷积网络中单位感受野的特征。在许多视觉任

配置windows系统下的环境配置pytorch(python3.8)pytorch命令指南pip3 install torch==1.9.1+cu111 torchvision==0.10.1+cu111 torchaudio===0.9.1 -f https://download.pytorch.org/whl/torch_stable.html可能会出现pip失败的情况，大概率是网络不稳定造

直接上代码：import pandas as pdfrom openpyxl.workbook import Workbook#双重字典转excel方法def dict_to_excel(dict):#dict转二维列表，将字典dict的行列保存row = dict.keys()col = list(dict.values())[0].keys()excel = [list(dict[u].val

前言论文推荐来自B站UP-启释科技，该up对感受野和卷积有深刻的理解推荐感受野视频讲解：深度理解感受野（一）深度理解感受野（二）深度理解感受野（三）深度理解感受野（四）深度理解感受野（五）深度理解感受野（六）关于感受野计算基础相关的博文可以了解：感受野-Receptive Field的理解回归正题，该篇论文发表于NIPS-2016Abstract我们研究了深卷积网络中单位感受野的特征。在许多视觉任

ResNet本篇实现的是基于2015年何凯明推出的ResNet，2016年的改进后续试着实现，比较下效果。学习流程阅读ResNet论文原文搜集学习资源：视频讲解-博客资源熟悉ResNet网络结构代码复现，清楚网络结构中层与层之间的操作ResNet论文原论文：2015-Deep Residual Learning for Image Recognition2016-Identity Mappings