contour

本文最新版已更新至 http://thinkinside.tk/2013/05/03/r_notes_1_what.html 在学习量化投资的时候，我发现了R（ www.r-project.org ）。R到底是什么呢？在开始之前，先看看R的神奇之处。 1. R初窥 从CRAN（The Comprehensive R Archive Network） cran.r-project.org—mirrors.html 中选择一个镜像，然后下载合适的安装包（R支持Linux、Mac OS X和Windows）。 安装并运行R后，可以看到R的控制台（我的操作系统是Mac OS）： 在R的控制台输入如下命令： > install.packages( ' quantmod ' ) # 安装quantmod包 > require(quantmod) # 引用quantmod包 > getSymbols( " GOOG " ,src= " yahoo " , from = " 2013-01-01 " , to= ' 2013-04-24 ' ) # 从雅虎财经获取google的股票数据 > chartSeries(GOOG,up.col= ' red ' ,dn.col= ' green ' ) # 显示K线图 > addMACD() # 增加MACD图 就能够看到下图的效果了： 最后，退出R：

基于改进Coarse-to-fine CNN网络的人脸特征点定位 原文地址：http://blog.csdn.net/hjimce/article/details/50099115 https://wenku.baidu.com/view/6a18af3a4afe04a1b171de2e.html 作者：hjimce 一、相关理论 本篇博文主要讲解2013年face++的大牛们提出粗到精人脸特征点定位算法paper：《Extensive Facial Landmark Localization with Coarse to fine Convolutional Network Cascade》，发表于2013年ICCV上的一篇用于定位多个人脸特征点的文献，实现了68个人脸特征点的高精度定位。这篇paper没有给出训练数据，也没有给出测试模型、源代码等，所以源代码需要自己写，训练数据我们需要自己到IBUG网站下载，可以下载到两千多张的训练数据，这篇paper的代码花了我两周的时间，主要是裁一些细节方面很麻烦。 我个人感觉这篇文章的创新点不是很大，基本上是在文献：《Deep Convolutional Network Cascade for Facial Point Detection》的基础上做了一点点的修改，使得我们构建的CNN模型可以用于定位更多的特征点

材料/工具 CorelDRAW X4 方法 1 F1：帮助信息 F2：缩小 F3：放大 F4：缩放到将所有对象置于窗口中 F5：手绘(Freehand)工具 F6：矩形(Rectangle)工具 F7：椭圆(Ellipse)工具 F8：美术字(ArtisticText)工具 F9：在全屏预览与编辑模式间切换 F10：形状(Shape)工具 F11：渐变填充(FountainFill)工具 F12：轮廓笔(OutlinePen)工具 2 Ctrl＋F2：视图管理器(ViewManager)卷帘窗 Ctrl＋F3：图层(Layers)卷帘窗 Ctrl＋F5：样式(Styles)卷帘窗 Ctrl＋F7：封套(Envelope)卷帘窗 Ctrl＋F8：PowerLine卷帘窗 Ctrl＋F9：轮廓图(Contour)卷帘窗 Ctrl＋F10：节点编辑(NodeEdit)卷帘窗 Ctrl＋F11：符号(Symblo)卷帘窗 3 Ctrl＋A：对齐和分布(AlignandDistribute)卷帘窗 Ctrl＋B：混成(Blend)卷帘窗 Ctrl＋C：拷贝到剪贴板 Ctrl＋D：复制对象 Ctrl＋E：立体化(Extrude)卷帘窗 Ctrl＋F：使文本嵌合路径(FitTextToPaht)卷帘窗 Ctrl＋G：组合对象 Ctrl＋J：选项(Options)对话框 Ctrl＋K

实时实例分割的 Deep Snake： CVPR2020论文点评 Deep Snake for Real-Time Instance Segmentation 论文链接： https://arxiv.org/pdf/2001.01629.pdf 摘要 本文提出了一种基于轮廓的深度 snake方法用于实例的实时分割。与最近一些直接从图像中回归物体边界点坐标的方法不同， deep snake使用神经网络迭代地将初始轮廓变形到物体边界，这一方法用基于学习的方法实现了 snake算法的经典思想。对于轮廓的结构化特征学习，我们提出在 deep snake中使用循环卷积，与一般的图卷积相比，它更好地利用了轮廓的循环图结构。在 deep snake的基础上，我们开发了一个两阶段的分割流水线：初始轮廓提议和轮廓变形，可以处理初始目标定位中的错误。实验表明，该方法在实时实例分割效率高的同时，在城市景观、 Kins和 Sbd数据集上取得了最新的性能，在 1080tigpu上对 512× 512幅图像的分割效率为 32.3fps。这些代码可以在 https://github.com/zju3dv/snake/上找到。 1. Introduction 本文提出了一种基于学习的 snake算法 deepsnake，用于实例的实时分割。受前面方法的启发 [20， 23]， deep

论文提出基于轮廓的实例分割方法Deep snake，轮廓调整是个很不错的方向，引入循环卷积，不仅提升了性能还减少了计算量，保持了实时性，但是Deep snake的大体结构不够优雅，应该还有一些工作可以补，推荐大家阅读   来源：晓飞的算法工程笔记 公众号 论文: Deep Snake for Real-Time Instance Segmentation 论文地址： https://arxiv.org/abs/2001.01629 论文代码： https://github.com/zju3dv/snake/ Introduction   实例分割是许多计算机视觉任务中的重要手段，目前大多数的算法都采用在给定的bbox中进行pixel-wise分割的方法。受snake算法和Curve-GCN的启发，论文采用基于轮廓的逐步调整策略，提出了Deep snake算法进行实时实例分割，该算法将初始轮廓逐渐优化为目标的边界，如图1所示，达到很好的性能且依然保持很高的实时性(32.3fps)。   论文的主要贡献如下： 提出基于学习的snake算法用于实时实例分割，对初始轮廓调整至目标边界，并且引入循环卷积(circular convolution)进行轮廓特征的学习。 提出two-stage流程进行实例分割，先初始化轮廓再调整轮廓，两个步骤均可以用于修正初始定位的误差。 Deep

最近项目原因需要用到克里金和等直线算法 ，在网上找了许久都不太满意，不是话说到一半就是 示例不正确，要不就是没库等等，捣鼓许久弄出来，把示例代码发出来分享一下。 首先了说明一下为什么要使用到克里金算法 因为气象方面很多气象站点零散的分布在地图各个位置，在这零散的位置上就可能会产生区域覆盖不完整的情况，这个时候就需要做插值覆盖。而等直线的意义跟插值业务一样，因为在地图上热力图的绘制需要大量格点数据来支撑绘制所以，就会出现在绘制热力图的时候光是下载格点数据都是很大的，这个取决于格点密度，密度越大那么数据量就会很大，在网络传输过程中光是下载这个数据都需要花费很多时间，更别说绘制了。所以等值线数据就尤为的重要。例如： 根据区域划分成勾勒出线的坐标，其内的值都是等值范围这样的数据就不会很多，当然等值范围越精确数据也会递增。 这次示例使用到的库wContour和geo，因为代码不复杂 加上代码也有注释，所以我就不细致解释下去了直接上demo package kriginDemo.test; import java.io.BufferedReader; import java.io.File; import java.io.FileInputStream; import java.io.IOException; import java.io.InputStreamReader; import

python-----PIL库的使用 一、什么是PIL库 1.PIL（Python Image Library）库是python语言的第三方库，具有强大的图像处理能力，不仅包含了丰富的像素、色彩操作功能，还可以用于图像的归档和批量处理能力。 2. PIL库主要有2个方面的功能： (1) 图像归档：对图像进行批处理、生产图像预览、图像格式转换等。 (2) 图像处理：图像基本处理、像素处理、颜色处理等。 根据功能的不同，PIL库包括21个与图片相关的类，这些类可以被看作是子库或PIL库中的模块，例如： Image,ImageChops,Imagecolor,ImageCrackCode,ImageDraw等等 二、PIL库的安装 注意：PIL库的名字是pillow，下载时用的是pillow，而不是PIL 在命令行中输入pip install pillow，就会自动下载 命令行快捷键win键+R键 按下确定键，就会出现命令行 三、PIL库的Image类解析 1.PIL库的引用（调用） >>>from PIL import Image 2.Image类图像读取和创建方法 3.Image类的常用属性 4.Image类的序列图像操作方法 5. Image类的图像旋转和缩放方法 6.Image类的图像转换和保存方法 from PIL import Image xiaogou=Image.open

效果还是有点问题的，希望大家共同探讨一下 // FindRotation-angle.cpp : 定义控制台应用程序的入口点。 // // findContours.cpp : 定义控制台应用程序的入口点。 // #include "stdafx.h" #include <iostream> #include <vector> #include <opencv2/opencv.hpp> #include <opencv2/core/core.hpp> #include <opencv2/imgproc/imgproc.hpp> #include <opencv2/highgui/highgui.hpp> #pragma comment(lib,"opencv_core2410d.lib") #pragma comment(lib,"opencv_highgui2410d.lib") #pragma comment(lib,"opencv_imgproc2410d.lib") #define PI 3.1415926 using namespace std; using namespace cv; int hough_line(Mat src) { //【1】载入原始图和Mat变量定义 Mat srcImage = src;//imread("1.jpg"); /

这是一篇不错的博文，感谢分享。 http://blog.csdn.net/yhl_leo/article/details/66969915 ================================================================================================================================= 大家好，今天我要讲的内容是在深度学习的卷积神经网络中，如何减弱过拟合问题的相关研究，最近刚好在修改论文，就把相关的方法和技术整理出来，对于怎样选择和设计网络模型具有一定的指导性，希望对大家有帮助。 内容主要分为三个模块，首先对过拟合问题的产生原因、以及解决方向进行简单的介绍，然后会就不同的解决方案，讲解一些解决方法；最后是简单说一下自己的一些研究工作(最后一部分略)。 在讲过拟合问题前，先简单介绍一下偏差和方差权衡的问题，假设存在一组观测数据 x , y x,y ，如果存在一组理想的映射，使得每个观测值经过该映射后，能够与它对应的预测值一一对应，这就是识别、分类以及回归问题的本质，这里我们先不管怎么去优化这个理想的映射中的未知参数，我们也意识到对于观测数据，本身其实也是有噪声的，我们假设观测数据满足这样一个分布模式，也就是观测值经过理想的映射后还含有一个随机的高斯噪声项 ϵ ϵ