原创 MFC中的TAB控件的使用方法案例

1. 新建一個MFC工程, 取名MyTab, 選擇Dialog based, 然後Finish. 2. 刪除對話框上默認添加的三個控件. 添加Tab Control控件並在Property屬性中設置ID爲IDC_TABTEST 在More

原创 opencv+zbar配置實現簡單的二維碼和條形碼識別

目錄 0.準備工作 1.opencv配置 2.zbar配置 3.代碼實現 4.效果 5.總結 0.準備工作 0.1我的實驗配置: win10+VS2015community+opencv2.4+zbar0.10 0.2資源下載: open

原创 關於字符串前的L或_T

一、 在字符串前加一個L作用:    如  L"我的字符串"    表示將ANSI字符串轉換成unicode的字符串,就是每個字符佔用兩個字節。 strlen("asd")   =   3;    strlen(L"asd")   = 

原创 opencv圖像處理初步(一):灰度化和二值化

  一、圖像二值化基本原理: 對灰度圖像進行處理,設定閾值,在閾值中的像素值將變爲1(白色部分),閾值爲的將變爲0(黑色部分)。 二、圖像二值化處理步驟: (1)先對彩色圖像進行灰度化 //img爲原圖,imgGray爲灰度圖 cvtC

原创 機器學習常用方法彙總

0 基本知識 生成模型:樸素貝葉斯、混合高斯模型、隱馬爾可夫模型 判別模型:感知機、k近鄰法、決策樹、邏輯斯蒂迴歸模型、最大熵模型、支持向量機 (SVM)、boosting方法 (AdaBoost等)、條件隨機場 (conditional

原创 深度學習的數學基礎彙總

一、損失函數(*) 系統學習深度學習(八)--損失函數 0-1損失函數 平方損失函數 交叉熵損失函數 當然,還有16年出的center-loss   二、激活函數(*) 深度學習筆記(三):激活函數和損失函數 sigmod tanh re

原创 筆試記錄

2018/9/15   順豐科技  10:00-12:00     題型 一、選擇題(36道) 包含計算機組成原理 計算機網絡、機器學習 深度學習等內容 二、編程題(2道) 1、判斷芝麻是否在麪包上,其中麪包可以用多邊形擬和,輸入爲: n

原创 輕量級深度學習網絡(七):詳解輕量級網絡總結

本文簡單介紹了四個輕量化網絡模型,分別是SqueezeNet、 MobileNet、 ShuffleNet和Xception,前三個是真正意義上的輕量化網絡,而Xception是爲提升網絡效率,在同等參數數量條件下獲得更高的性能。 在此列

原创 配置YOLO-v3訓練自己的數據---完整版(含常見問題)

目錄 0、簡介 1、準備--編譯darknet 2、測試是否安裝成功 3、自己的數據準備 4、修改自己的配置文件 5、訓練 6、一些常見問題 0、簡介 YOLO一共有3代,這裏主要講第三代的配置,其他的類似。 YOLO-v3使用的是dar

原创 感受野計算+卷積/池化輸出尺寸計算+卷積參數量計算

目錄 1、卷積後輸出尺寸的大小 1.1卷積參數量計算 2、池化後輸出尺寸大小 3、感受野的計算 鑑於網上資源比較混亂,而且筆試考的多,故作此總結。希望能幫到大家。 1、卷積後輸出尺寸的大小 輸入:L*L*D 卷積核: 大小size=F*F

原创 深度學習框架詳解:彙總

這是初稿,還在修改中!   目錄 一、經典的網絡結構 1.1LeNet 1.2AlexNet 1.3ZF-Net 1.4VGG-Net 1.5GoogLeNet 1.6ResNet 1.7Densnet 1.8ResNext 1.9DPN

原创 人體姿態估計(Human Pose Estimation)---優質學習資源

目錄 0、簡介 1、2D人體姿態估計 2、3D人體姿態估計 3、其他知識                                   這是一個簡單的資源僅供參考,Just for Xiuyun-Mo 0、簡介 姿態估計的目標是在R

原创 百度計算機視覺崗筆試題-2018

注:選擇題記不清了,簡答題和系統設計大致題目如下,程序題也是大致意思,不是原題,原題給了一個實際場景,此處忽略。 筆試時間爲2018年9月14日19:00-21:00,用的是賽碼網,和牛客網有所區別,愛奇藝用的也是賽碼網,只前沒用過,所以

原创 詳解深度學習之經典網絡架構(十):九大框架彙總

目錄 0、概覽 1、個人心得 2、總結 本文是對本人前面講的的一些經典框架的彙總。 純手打,如果有不足支持,可以在評論區裏留言。 0、概覽 (1)詳解深度學習之經典網絡架構(一):LeNet (2)詳解深度學習之經典網絡架構(二):Ale

原创 卷積原理:幾種常用的卷積(標準卷積、深度卷積、組卷積、擴展卷積、反捲積)

  0、標準卷積 默認你已經對卷積有一定的瞭解,此處不對標準卷積細講。 舉個例子,假設有一個3×3大小的卷積層,其輸入通道爲16、輸出通道爲32。 那麼一般的操作就是用32個3×3的卷積核來分別同輸入數據卷積,這樣每個卷積核需要3×3×1