這個博客好
論文的主題及主要改進的東西： 主要通過改變dilation rate來變化receptive field的大小，測試不同的receptive field 對識別不同大小的目標的影響。最後證明receptive field確實是對識別有影響
1，汽車皮質包覆檢測的基本思路是，先對不同位置、不同顏色、皮質的包覆進行模板採樣，然後針對性做檢測； 2，檢測分三步：（1）首先看灰度均值的差異值，這個可以設個固定閾值； （2
關於CT重建的算法有很多，在這裏給大家介紹的是濾波反投影算法，其原理如下： 設f(x,y)表示需要重建的圖像，用p(t,θ)表示在角度獲取的f(x,y)的一個平行投影，t表示投影射線到對稱中心（即旋轉中心）的距離，設s爲於角度θ下的投影X
1整體介紹 首先，不考慮這些術語，考慮一下成像的流程。我們是在三維空間中生活，假想xw,yw,zw位置附近有一個籃球，而在另外一個其他位置有一個針孔相機，用這個針孔相機對籃球拍照，而拍照時照片中的籃球的像只和籃球面對照相機的那一面有關係，
論文FaceNet: A Unified Embedding for Face Recognition and Clustering 代碼：https://github.com/davidsandberg/facenet 需要注意的地方：
1，清晰度相關算法 鈍化或去燥：中值濾波、高斯濾波、傅立葉變換方法、小波變換方法 銳化：邊緣提取算法、直方圖或區塊直方圖算法、傅立葉變換方法、小波變換方法 傅立葉變換與小波變換的原理是：兩者都是用希爾伯特函數空間的一組正交函數基來將圖像函
主要參考https://github.com/rafaelpadilla/Object-Detection-Metrics 名詞解釋 預測結果分爲4個類： TP：你的預測正確的預測了目標 FP：你的預測錯誤的預測了目標 FN：有一個目標你
https://www.cnblogs.com/wangguchangqing/p/8335131.html 大體計算流程 第一步算每張圖片的單應矩陣H，但應矩陣有8個未知參數，共需8個像素座標和世界座標來算，8個對應點： 第二步：
論文名稱：A Neural Algorithm of Artistic Style 主要結果：將一副圖片中的風格與另一幅圖片中的內容相轉換。如下圖： 原理：深度學習時一個連續函數模型f(x)=y。其中y是特徵，而x是原圖，現在假設知道了
https://blog.csdn.net/qq_41368247/article/details/82562165參考這個寫的也很細 補充的地方就是泰勒級數展開那一步糾結了1個小時，特意去看了一下多元泰勒級數展開： https://zh
自從和無盤開始打交道，學到了n多知識，無論是軟件層面還是硬件層面，無論是理論還是實踐層面，之前很多人認爲無盤很複雜，而我也受其“誤導”認爲無盤很複雜，但實際上用下來發現，其實無盤確實很簡單，而所謂的無盤複雜，更多的是理論和經驗的結合，以前
