代码拉取完成,页面将自动刷新
课后资料整理
computer vision fundamentals
以下文件都可以在https://gitee.com/anjiang2020_admin/ccv-12/ 找到,若找不到联系,可以明明老师协助。微信13271929138
week7
CV核心基础WEEK7 : 基本图像处理
https://gitee.com/anjiang2020_admin/ccv-12/
Pipeline:
0.职业规划
1.Computer Vision 的由来
2.计算机如何看到图像
3.计算机处理图像的方式,方法
作业:
1 用滤波操作给图片去除噪声,
选做:将自己的logo水印打到经过滤波后的照片上。
目的:感受滤波操作的作用,用数字上的滤波操作模拟老照片真实镜头的滤波功能。
参考步骤:
1 拿到老师给定的图片:week7_22_02_27/week7_homework.png。
2 对图片进行滤波操作。参考week7__22_02_27/week7_class_code_after_class.py
3 修改滤波核的数值和滤波核的大小,调整出最好的效果。
4 制作自己的logo水印的照片
5 将水印添加到图片上。参考week7_22_02_27/week7_class_code_after_class.py
CV核心基础WEEK8 :认识计算机视觉
https://gitee.com/anjiang2020_admin/ccv-12
Pipeline:
1. 图像处理与计算机视觉
2. 计算机视觉的输入与输出
3. 如何解决计算机视觉的几个问题
4. 计算机视觉第一步:图像描述子
作业:
编写计算机视觉的第0版程序。
步骤
1 生成10张图片,对应0,1,2,3,4,5,6,7,8,9.
2 对这10张图片提取特征x。
3 用一个判别器f(x)来决策输出结果y。
这个判别器达到作用:
当x是 “0”图片对应的特征时,y=f(x)=0
当x是 “1”图片对应的特征时,y=f(x)=1
当x是 “2”图片对应的特征时,y=f(x)=2
当x是 “3”图片对应的特征时,y=f(x)=3
当x是 “4”图片对应的特征时,y=f(x)=4
当x是 “5”图片对应的特征时,y=f(x)=5
当x是 “6”图片对应的特征时,y=f(x)=6
当x是 “7”图片对应的特征时,y=f(x)=7
当x是 “8”图片对应的特征时,y=f(x)=8
当x是 “9”图片对应的特征时,y=f(x)=9
4 参考代码:week2/recognize_computer_vision.py
课堂参考资料:
1. 灰度变换,gamma变换的例子:gamma.py
2. 课后作业参考:recognize_computer_vision.py
3. 第一周课后作业参考:week7_homework.ipynb
4. 第一周课后作业参考:week7_homework.py
5. week2课堂代码:week8_class_code.ipynb
6. week2课堂代码: week8_class_code.py
7. 课堂用图:tangsan.jpg
8. 课堂用图:dog.png
9. 关键点算法:https://zhuanlan.zhihu.com/p/147390611
10.sift特征提取过程:https://zhuanlan.zhihu.com/p/445681832
CV核心基础WEEK9 :依赖硬件算力提升模型性能:cuda编程
https://gitee.com/anjiang2020_admin/ccv-12
Pipeline:
1 week8作业
2 计算机视觉的常用模型
3 CNN统一了提特征与决策
4 GPU Schema
5 认识pycuda,并用pycuda完成矩阵乘法
作业:使用pycuda完成LeNet模型的以下模块:
1. [必做]conv
2. pooling
3. relu
4. linear
5. backward
要求:
1 要求用pycuda库利用gpu的多线程技术,完成卷积层的计算。
2 可以用自己定义的kernel函数,也可以用pycuda提供的核函数
3 自己定义核函数的时候,可以参考week9_pycuda_example_6.py来实现
其它参考材料:
1. week8参考作业:week9_20210313/week8作业答案课堂讲解.ipynb
2. 卷积层用nn.conv2d来实现,相关参考代码:week6/conv.py
3. 卷积的声明,更改默认weight,默认bias,对图片进行卷积,示例子代码在:week9_20210313/conv.py 的14行,27行,29行,55行
4. 图像滤波器:filter.py
5. pycuda-master: pycuda源码
6. week9_pe_5.py : 自定义核函数,打印出“hello world"
7. week9_pe_4.py : 自定义核函数,掌握threadIdx,blockIdx等内置变量的意义。
8. week9_pycuda_example_2.py : 自定义加法核函数
9. week9_pycuda_example_3.py : 自定义乘法核函数
10. week9_pycuda_example_6.py : 自定义矩阵乘法核函数
11. week9_pycude_example_1.py : 利用gpuarray来调用gpu进行计算。
12. week9_cvf.py : pycuda 自带api使用,gpuarray,以及自带核函数的使用
13. fft示例程序: https://zhuanlan.zhihu.com/p/451766588
[ https://gitee.com/anjiang2020_admin/ccv-12 ]
CV核心基础WEEK10:图像分类决策层的设计总结与实践
Pipeline:
1 CNN提特征层的设计:搭积木
2 看看经典模型是如何搭积木的
3 决策功能的实现:output层的设计
4 生成output需要的groundtruth
5 经典模型Resnet/mobilenet
作业:自己完成一个分类项目:数据采集,标注,设计网络(可从头开始,也可fineturn).
1. 每人提交10张矿泉水瓶\可乐瓶的图片到邮箱:471106585qq.com
![输入图片说明](https://images.gitee.com/uploads/images/2020/0715/135022_28d7b639_7401441.png "屏幕截图.png")
![输入图片说明](https://images.gitee.com/uploads/images/2020/0715/135042_997cd525_7401441.png "屏幕截图.png")
2. 这次分类的图片由老师标注。统一传到modelarts标注平台标注。[检测类的项目时,老师会将图片统一传到modelarts标注平台,交给大家标注]
3. 自行完成分类网络的决策层。体特征层可从零设计,也可使用其他网络。建议resnet18,在week10/resnet.py中有其实现,可参考
4. 此次数据集明名为week10_dataset,永远开放的学习型数据集。
要求:
1 提交作业时,需要提交代码,训练超参数(学习率策略,优化方法,优化epoch数,train acc,test acc)
其它参考材料:
1. mobilenets论文:mobilenets_paper.pdf
2. week9作业参考答案:pycuda_conv_week9_homework.py
3. resnet网络搭建代码参考:resnet.py
4. Alexnet论文:https://www.nvidia.cn/content/tesla/pdf/machine-learning/imagenet-classification-with-deep-convolutional-nn.pdf,
5. VGG论文:https://www.robots.ox.ac.uk/~vgg/publications/2015/Simonyan15/simonyan15.pdf
6. resnet论文:https://arxiv.org/pdf/1512.03385.pdf
7. renset50的详细计算过程:https://zhuanlan.zhihu.com/p/374448655
数据采集示意:
[ https://gitee.com/anjiang2020_admin/ccv-12 ]
CV核心基础WEEK11:一阶段的图像检测模型的决策层设计总结与实战
Pipeline:
1 只用计算一次就能到得到检测框
2 多尺度提取特征
3 更深的网络
作业:1 下载提供的week10-datasets-detect 数据集:https://gitee.com/anjiang2020_admin/week10-dataset
2 在分类模型的基础上,加上检测层,对week10-datasets进行回归检测
说明:
1. 自行完成检测层的设计。自行决定:检测头的检测区域个数,每个检测区域内输出框数,类别数。
2. 网络得backbone可以是你week10使用得网络,也可以与加载一些经典网络,也可以自行设计。
3. NMS得实现可参考ppt.代码可自己写,也可以从网站找,网上代码一般含有IoU.
要求:
1 提交作业时,需要提交代码,训练超参数(学习率策略,优化方法,优化epoch数,给出10张图片以及其对应检测结果。)
其它参考材料:
1. week11_210327/矿泉水瓶分类/bcnn_iccv15.pdf
2. 矿泉水瓶分类.ipynb
3. YOLO_V1论文:YOLO_V1.pdf
4. YOLO_V2论文:YOLO_V2.pdf
5. YOLO_V3论文:YOLO_V3.pdf
6. 2016CVPR会议上,作者的PPT:YOLO_CVPR_2016_ppt.pdf
7. 微调模型示例:Finetuning_convnet.py Finetuning_convnet.ipynb
week12 [YOLO之前:图像检测决策层设计总结与实战(二)]
[ gitee:https://gitee.com/mingminglaoshi/ccv-20210410 ]
CV核心基础WEEK12:YOLO之前:图像检测决策层设计总结与实战(二)
Pipeline:
1 如何评价检测器性能?
2 深度学习初次用于检测:RCNN
3 比CRNN快213倍:Fast RCNN
4 真正得端到端:Faster RCNN
作业:
1. 计算week11所设计检测器的mAP,先把每个子类别得AP算出来,然后计算mAP。如果把所有水瓶算做一类,就算一个AP出来即可。
2. [faster rcnn学完之后选做]用region based得方法【rpn】,可能会更好
要求:
1. 提交作业时,需要与自己检测器相适配得mAP代码,以及总得mAP值,分类别得AP值。
其它参考材料:
1. mAP 代码可参考https://github.com/Cartucho/mAP
2. week11作业参考中的pennfudan数据下载地址:https://www.cis.upenn.edu/~jshi/ped_html/
week13 [分割网络的设计]
https://gitee.com/anjiang2020_admin/ccv-12/
CV核心基础WEEK13:分割网络的设计
Pipeline:
1 分割器的设计思路
2 经典分割模型的涨点方法
作业:对老师提供的FCN代码填空,对图像进行分割
FCN 参考步骤:
1. 编写网络结构文件week13/homework/fcn.py
18行,补齐FCN32s网络各层得定义:
[可选] 52行,补齐FCN8s各层得定义
[可选] 71行,实现跳级结构
2. 待准备pennfudan数据集https://www.cis.upenn.edu/~jshi/ped_html/
所以,在一开始我们掌握模型原理阶段,需要一个小数据集
pennfudan是一个只有52M的小型数据集,我们就用它的验证网络的有效性。尽快掌握FCN
pennfudan数据下载地址:https://www.cis.upenn.edu/~jshi/ped_html/
![输入图片说明](https://images.gitee.com/uploads/images/2020/0706/195021_9b419532_7401441.png "屏幕截图.png")
![输入图片说明](https://images.gitee.com/uploads/images/2020/0706/200412_b841b066_7401441.png "屏幕截图.png")
3. 预先训练好得模型:week13/homework/models/文件夹下
选做作业: 参考FCN,deeplab等,设计一种检测器,对week10_dataset中的瓶子进行分割。
建议步骤:
1. week10_dataset标注,标注文件在https://gitee.com/anjiang2020_admin/week10-dataset
2. dataloader的编写
3. 按照Deeplab的思路,重新设计一个网络
week14- [跟踪算法的设计]
CV核心基础WEEK14 : 计算机视觉之跟踪算法的设计
https://gitee.com/anjiang2020_admin/ccv-12/
Pipeline:
0.week13homework
1.跟踪任务与检测任务的区别
2.用分类做跟踪
3. MeanShift做跟踪
4. 相关滤波方法做跟踪
5. 深度学习做跟踪
作业:
1 写一个tracker,跟踪水瓶(老师提供视频数据【已标注】:https://gitee.com/anjiang2020_admin/week10-dataset/blob/master/README.md#week14跟踪数据集)
选做:MOSSE方法或者learning to track 100FPS using DNN。
目的:掌握基于分类做跟踪的思路;掌握跟踪算法中,在线更新模型的的操作办法。
其它文件:
week13作业答案:week14/week13_homework_answer/answer/
week14/将相关滤波器跟踪算法的速度做到极致.pdf
week14_tracker: 本节课课后作业的答案
待跟踪视频:https://www.bilibili.com/video/BV1Y54y1273C/
此处可能存在不合适展示的内容,页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容,可点击提交进行申诉,我们将尽快为您处理。