当你想批量处理文件的时候，使用 python 对文件或者文件夹进行操作，可以迅速地解决问题。 在 python 里面有几个内置模块可以对文件进行复制、移动、重命名及读写等操作。以下是对 os、shutil 模块里面的重要函数与方法进行的简单介绍。 一、os 模块 常用函数和方法： 函数或方法 说明 函数或方法 说明 os.rename(old, new) 重命名文件 os.makedirs(dir) 创建多级目录 os.remove(file) 删除文件 os.mkdir(d...

R-CNN 系列模型是目标检测里的经典模型，同时也是 Caffe 的经典模型，所以为了学习 Caffe 和目标检测算法的知识，通过观看论文、网上的资料以及试着用自己的数据训练一个 Faster R-CNN 后，对于 Faster R-CNN 有了初步的了解，在此把论文内容和自己的理解整理并写下来。 一、R-CNN 的历史 R-CNN 是一个经典的目标检测模型，发展到现在已经成为了一个系列，从一开始的 R-CNN 模型，到 Fast R-CNN 模型，一直到 Faster R-CNN 模型，代表了目标检测的前沿水平。 R-CNN 模型出现较早，一开始使用了 Selective Searc...

交并比 （intersection over union） 即为两个区域的交集与并集的比值。 例如有两个区域 C 与 G，如下图表示： 那么 IoU 的值定义为： I o U = C ∩ G C ∪ G IoU=\frac{C \cap G}{C \cup G} IoU=C∪GC∩G​ 目标检测中的 IoU 在目标检测中，算法预测出来的 bounding box 不会与 ground truth box 一致，所以就使用 IoU 来评定预测出来的框的好坏。 与 ground truth box 重叠部分越多的候选框得分就会越高，就越有可能被分配正标签。

Pascal VOC challenge 是一个非常流行的数据集，用于构建和评估图像分类、对象检测和分割的算法。 官网数据集镜像：https://pjreddie.com/projects/pascal-voc-dataset-mirror/ 一、Challenge Pascal VOC challenge 的目标就是从存在于现实场景中的许多可视对象类别中识别出对象（即不预先分割的对象）。全部有二十个类： person, bird, cat, cow, dog, horse, sheep, aeroplane, bicycle, boat, bus, car, motorbike, ...

最近使用自己标注的数据集用 Faster R-CNN 训练了两个模型：VGG16 和 ResNet-50 ，在训练和测试的时候还是踩了很多坑，把遇到的问题及解决方法总结了一下，以供以后回顾。 常见报错汇总 一、训练 1. 错误：./tools/train_faster_rcnn_end2end.py is not found 2. 错误：'module' object has no attribute 'text_format' 3. 错误：TypeError: ‘numpy.float64’ object cannot be int...

一、导入模块 import numpy as np import matplotlib.pyplot as plt import h5py import scipy from PIL import Image from scipy import ndimage from lr_utils import load_dataset 二、数据集 数据集是两个 .h5 格式的文件，有训练集和测试集，分别有209和50张图片，大小为(64, 64 ,3)，reshape 成(12288, 209)和(12288, 50)。 # 载入数据 (cat/non-cat) train_set_x_or...

原文：Selective Search for Object Detection 在这篇指导，我们将会理解一个在目标检测中的重要概念——Selective Search。我们也会在 C++ 的和 Python 上分享 OpenCV 代码。 #目标检测与目标识别 一个目标识别算法识别图像中出现了哪些目标。把整张图片作为输入，输出该目标的类别标签和属于该类别的可能性。例如，一个类别标签为 “dog” 和为该标签可能性为 97%。 另一方面，一个目标检测算法不仅告诉你哪些物体在图像上出现，而且输出边界框（x, y, width, height）来指明图像中该物体的位置。 所有目标检测算法的核心...

论文：https://arxiv.org/abs/1512.03385 图像识别中的深度残差学习 摘要 更深的神经网络更加难以训练。我们提出了一个残差学习框架，以简化那些比以往使用的更加充分深的网络的训练。我们显式地将层重新表示为学习残差函数，并参考层的输入，而不是学习未参考的函数。我们提供了全面的实证证据表明，这些残差网络是最容易优化的，并且可以从显著增加的深度中增加准确性。在 ImageNet 数据集上我们评估深度多达152层的残差网络，这个网络比 VGG 网络[41]还深多 8 倍但依然有更低的复杂度。这些残差网络在 ImageNet 测试数据集上取得了 3.57% 的错误率的...

目录 一、Mean Average Precision -- mAP （一）什么是 mAP ？ （二）mAP 是怎么计算的？ 2.准确率、召回率、精确度 （1）准确率 -- precision & 召回率 -- recall （2）精确度 -- accuracy 二、影响 mAP 的因素 与目标识别不同，目标检测中不仅仅需要在一张图片中检测到是否含有某物体，还需要将该物体的位置找出来，所以在判...

在 Python 使用 exec() 或 exec 可以给一个字符串赋值，其原理其实就是使用这个函数来执行这条字符串。 python 3 中 exec() 为一个函数： >>> exec("W1 = 123") >>> print(W1) 123 python 2 中 exec 是一个语句 >>> exec "W1 = 123" >>> print W1 1 可以看到其实就是执行 "W1 = 123" 这条字符串。

在 Python 中有个保留的字符「lambda」，它的作用是定义一个匿名函数，具体用法如下。 >>> func = lambda x: x + 1 >>> print(func(1)) 2 这个 lambda 表达句就等于： def func(x): return x + 1 lambda 输入 x，输出 x + 1。 使用「lambda」还能让函数的参数为一个函数，例如： def func(model, x, y): a = model(x, y) return a a = func(lambda x, y: x *...

M3Net: 多尺度多路径多模型融合网络及其在 RGB-D 显着目标检测中的应用实例 摘要 — 融合 RGB 和深度数据对于提高各种机器人和计算机视觉任务的性能是很受关注的。通常，RGB 和深度信息的（数据）流在早期或者晚期的阶段合并为一个单一的融合点，以生成合并的特征或者决策。单一的融合点也意味着单一的融合路径，它拥挤且不灵活，无法融合来自不同模态的所有信息。因此，融合过程是暴力的，所以也缺乏能力。为了解决这个问题，我们提出了一种多尺度多路径多模态融合网络（M3Net），其中的融合路径是分散的，可以从全局和局部的视角使每种模式的贡献多样化。 特别是每一种形态的 CNN 流都同时融合了全局理...

有时候在使用 Python 的时候，想要对一个数字或者字符串进行补零操作，即把「1」变为一个八位数的「00000001」，这个时候可以使用一下方法来进行补零。 字符串补零： 可以使用 zfill() 函数来给字符串补零： >>> str = "123" >>> print(str.zfill(8)) 00000123 还能把整数转化成字符来使用 zfill() 补零: >>> num = 123 >>> print(str(num).zfill(8)) 00000123 数字补零： 对于数...

1. 期望 函数 f ( x ) f(x) f(x) 关于分布（概率） P ( x ) P(x) P(x) 的期望或者期望值可表示为： 对于离散型随机变量： E x ∼ P [ f ( x ) ] = ∑ x P ( x ) f ( x ) \mathbb{E}_{x \sim P}[f(x)]=\sum_{x}P(x)f(x) Ex∼P​[f(x)]=x∑​P(x)f(x) 对于连续型随机变量： E x ∼ p [ f ( x ) ] = ∫ p ( x ) f ( x ) d x \mathbb{E}_{x \sim p}[f(x)]=\int p(x)f(x)dx Ex∼p​...