深度學習應用系列——計算機視覺：表面缺陷檢測（一）
Fully Convolutional Networks for Surface Defect Inspection in Industrial Environment
佔坑
一種思路：使用語義分割的方式去做缺陷檢測。
資料準備：大圖拆分為小圖，拿去訓練。
核心：分割，感受野大小的影響。
相關推薦
深度學習應用系列——計算機視覺：表面缺陷檢測（一）
Fully Convolutional Networks for Surface Defect Inspection in Industrial Environment 佔坑 一種思路：使用語義分割
OPEN(SAP) UI5 學習入門系列之二： 最佳實踐練習（上）
我們暫時不用Component來做模組化，我們先用最快最簡單的方法讓程式可以跑出個樣子來，然後再慢慢的新增功能。 所以，我們先直接加入MVC。 簡單介紹下，MVC就是模型、檢視和控制器的簡稱，一般的Web開發都會用到這種架構用來把前端的UI和業務邏輯分離。具體先不多介紹，直接做吧。 我們先大致規劃一下，我
OPEN(SAP) UI5 學習入門系列之二： 最佳實踐練習（下）
可以先把程式碼下載到本地並跑起來，這樣可以對這個最佳實踐的程式有一個直觀的瞭解。 頁面導航如下： 銷售訂單列表(Master) -> 銷售訂單明細(Detail) -> 行專案明細(LineItem),在每個明細頁面都可以返回到上一層。 具體頁面之間的導航是如何實現的呢？ 我們從頁面的入口
深度學習之卷積神經網路原理詳解（一）
初探CNN卷積神經網路 1、概述 典型的深度學習模型就是很深層的神經網路，包含多個隱含層，多隱層的神經網路很難直接使用BP演算法進行直接訓練，因為反向傳播誤差時往往會發散，很難收斂 CNN節省訓練開銷的方式是權共享weight sharing，讓一組神經元
深度學習結合SLAM的研究思路/成果整理之（一）使用深度學習方法替換SLAM中的模組
整理了部分近兩年深度學習結合SLAM的一些研究成果（參考知乎帖子https://www.zhihu.com/question/66006923 和泡泡機器人公眾號，附上論文連結和已找到的原始碼/資料集連結，大多簡單看了一下摘要。僅為自己學習所用，確實翻譯得很爛…
【深度學習】CentOS 7 安裝GPU版Tensorflow教程（一）
之前一直在玩cpu版的tensorflow，這些天突然心血來潮，想搞個gpu版的tensorflow來嚐嚐鮮，沒想到把所有能夠踩的坑幾乎全部踩了一遍，在這裡把自己踩的坑和一些安裝細節拿出來分享給大家，
深度學習UFLDL教程翻譯之卷積神經網路（一）
A、使用卷積進行特徵提取 一、概述 在前面的練習中，你解決了畫素相對較低的影象的相關問題，例如小的圖片塊和手寫數字的小影象。在這個節，我們將研究能讓我們將這些方法拓展到擁有較大影象的更加
【神經網路與深度學習】【計算機視覺】SSD
背景介紹： 基於“Proposal + Classification” 的 Object Detection 的方法，R-CNN 系列（R-CNN、SPPnet、Fast R-CNN 以及 Faster R-CNN），取得了非常好的結果，但是在速度方面離實時效果還比較遠在提高 mAP 的同時兼顧速度，逐
【神經網路與深度學習】【計算機視覺】Fast R-CNN
先回歸一下： R-CNN ,SPP-net R-CNN和SPP-net在訓練時pipeline是隔離的：提取proposal，CNN提取特徵，SVM分類，bbox regression。 Fast R-CNN 兩大主要貢獻點 ： 1 實現大部分end-to-end訓練(提proposal階段除外)：
分享《OpenCV 3計算機視覺：Python語言實現（第2版）》中文PDF+英文PDF+原始碼
下載：https://pan.baidu.com/s/1gGgEk8Y6X58gfvsmD8U8Xw 更多資料分享：https://www.cnblogs.com/javapythonstudy/ 《OpenCV 3計算機視覺：Python語言實現（第2版）》中文PDF+英文PDF+原始碼中文PDF，20
深度學習應用於時間序列資料的異常檢測
本文關鍵點 神經網路是一種模仿生物神經元的機器學習模型，資料從輸入層進入並流經啟用閾值的多個節點。遞迴性神經網路一種能夠對之前輸入資料進行內部儲存記憶的神經網路，所以他們能夠學習到資料流中的時間依賴結構。 如今機器學習已經被應用到很多的產品中去了，例如，siri、Goog
Tensorflow深度學習之二十二：AlexNet的實現（CIFAR-10資料集）
二、工程結構 由於我自己訓練的機器記憶體視訊記憶體不足，不能一次性讀取10000張圖片，因此，在這之前我按照圖片的類別，將每一張圖片都提取了出來，儲存成了jpg格式。與此同時，在儲存圖片的過程中，儲存了一個python的dict結構，鍵為每一張圖片的相對地
Matlab影象識別/檢索系列(7)-10行程式碼完成深度學習網路之取中間層資料作為特徵（轉載）
現在，大家都意識到深度神經網路在影象特徵提取方面具有很強的能力，儘管其解釋性不強，儘管人們對它的內部原理不十分清楚。那麼能不能取出網路中某層資料作為影象特徵而進行自己定製的其它處理呢？答案當然是肯定的。在Matlab2017b中，從網路取資料主要有兩種方法。一是使用Neural Network Toolbox
Silverlight & Blend動畫設計系列十二：三角函數（Trigonometry）動畫之自由旋轉（Free-form rotation）
name angle 最終 clas oot pos ftp 旋轉動畫 one 說到對象的旋轉，或許就會聯想到對象角度的概念。對象的旋轉實現實際上就是利用對象的角度改變來實現的位置變換，在《Silverlight & Blend動畫設計系列二：旋轉動畫（Rotate
大型網站架構系列：分散式訊息佇列（一）（轉）
以下是訊息佇列以下的大綱，本文主要介紹訊息佇列概述，訊息佇列應用場景和訊息中介軟體示例（電商，日誌系統）。 本次分享大綱 訊息佇列概述 訊息佇列應用場景 訊息中介軟體示例 JMS訊息服務（見第二篇：大型網站架構系列：分散式訊息佇列（二）） 常用訊息佇列（見第二篇：大型網站架構系列：分
計算機視覺基礎~影象預處理（中）
5.1梯度Prewitt濾波/卷積 水平梯度/垂直邊緣 垂直梯度/水平邊緣 5.2梯度Sobel濾波/卷積 梯度Sobel濾波/卷積 垂直梯度/水平邊緣 5.3梯度Laplacian濾波/卷積 二
【深度學習】GAN生成對抗網路原理詳解（1）
一個 GAN 框架，最少（但不限於）擁有兩個組成部分，一個是生成模型 G，一個是判別模型 D。在訓練過程中，會把生成模型生成的樣本和真實樣本隨機地傳送一張（或者一個 batch）給判別模型 D。判別模型 D 的目標是儘可能正確地識別出真實樣本（輸出為“真”，或者1），和儘可能
深度學習之物體檢測（一）R-CNN
作者Rgb 在這之前大部分物體檢測演算法都是基於傳統的影象處理方法，這是第一篇將深度學習用到物體檢測上的文章，直接影響是2012年ALEXNET在比賽中的重大成功。 簡單來說，RCNN使用以下四步實現目標檢測： a. 在影象中用slective search 方法 確定
ARM aarch64彙編學習筆記（九）：使用Neon指令（一）
NEON是一種基於SIMD思想的ARM技術。 SIMD， Single Instruction Multiple Data，是一種單條指令處理多個數據的並行處理技術，相比於一條指令處理一個數據，運算速度將會大大提高。 ARMv8 有31 個64位暫存器,1個不同
斯坦福CS231n計算機視覺-神經網路訓練細節（1）
引用：https://zhuanlan.zhihu.com/p/21462488?refer=intelligentunit 本節課沒有從頭講解神經網路，而是講了一些神經網路的細節問題。 兩個需要注意的問題 1、訓練樣本不夠多沒事，使用預訓練好的卷積神經網路，所以不用擔