首先本文的参考代码来自于添加链接描述和添加链接描述yolo v1 原理简析yolo v1的原理相较于其他的一些目标检测算法稍微没那么复杂，Yolo采用一个单独的CNN模型实现end-to-end的目标检测模型。检测框架整个框架把输入图片分成S×S个grid，然后每个格子预测两个bbox，每个bbox包含五个预测参数：x, y, w, h, c。前四个参数都是归一化之后的，其中c代表置信度，表示预测

1ResNet是2015年就提出的网络结构，中文名字叫作深度残差网络，主要作用是图像分类。现在在图像分割、目标检测等领域都有很广泛的运用.2随着硬件的不断升级，我们可以使得原来很浅的网络不断的加深，但是这种做法随之而来就出现了这样的一个问题深层训练的效果反而不如浅层网络，也就是网络出现了退化。这个问题很大程度上归结为网络层数过深，梯度下降优化loss变得困难。作者为了解决上述问题，提出了这...

在上一篇博客里介绍了图片相似计算中的最简单的一个ahash, 其是基于内容检索最简单的一种，这篇介绍它的增强版感知哈希算法（phash—perceptual hash）。主要也是用缩略图搜索原图并能达到较好点的效果。其实现一共包含以下几个步骤：图像缩放–将图像缩放到32*32大小，这一步的作用是取出各种图片尺寸和图片比例的差异，只保留结构、明暗等信息。灰度化–将32*32大小的图像进行灰度化离散余

二叉堆的介绍二叉堆是完全二元树或者是近似完全二元树，按照数据的排列方式可以分为两种：最大堆和最小堆。最大堆：父结点的键值总是大于或等于任何一个子节点的键值；最小堆：父结点的键值总是小于或等于任何一个子节点的键值。示意图如下：二叉堆一般都通过"数组"来实现。数组实现的二叉堆，父节点和子节点的位置存在一定的关系。有时候，我们将"二叉堆的第一个元素"放在数组索引0的位置，有时候放在1的位置。当然，它们的

在上一篇博客里介绍了图片相似计算中的最简单的一个ahash, 其是基于内容检索最简单的一种，这篇介绍它的增强版感知哈希算法（phash—perceptual hash）。主要也是用缩略图搜索原图并能达到较好点的效果。其实现一共包含以下几个步骤：图像缩放–将图像缩放到32*32大小，这一步的作用是取出各种图片尺寸和图片比例的差异，只保留结构、明暗等信息。灰度化–将32*32大小的图像进行灰度化离散余

二叉堆的介绍二叉堆是完全二元树或者是近似完全二元树，按照数据的排列方式可以分为两种：最大堆和最小堆。最大堆：父结点的键值总是大于或等于任何一个子节点的键值；最小堆：父结点的键值总是小于或等于任何一个子节点的键值。示意图如下：二叉堆一般都通过"数组"来实现。数组实现的二叉堆，父节点和子节点的位置存在一定的关系。有时候，我们将"二叉堆的第一个元素"放在数组索引0的位置，有时候放在1的位置。当然，它们的

import cv2 as cvsrc = cv.imread(r"C:\Users\zs\Desktop\defm.jpg")cv.namedWindow(“input”, cv.WINDOW_AUTOSIZE)cv.imshow(“input”, src)dst = cv.applyColorMap(src, cv.COLORMAP_COOL)cv.imshow(“output”, ...