没有合适的资源?快使用搜索试试~ 我知道了~
资源推荐
资源详情
资源评论
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![application/x-rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![7z](https://img-home.csdnimg.cn/images/20210720083312.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![application/x-rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pptx](https://img-home.csdnimg.cn/images/20210720083543.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![](https://csdnimg.cn/release/download_crawler_static/89491642/bg1.jpg)
1、简述图像滤波(Image Filtering)的三种定义方式:相关、卷积、内积
2、简述图像滤波的三种用途:模板匹配、图像增强、特征提取;举例说明每类用途
3、解释在kernel的size不同σ相同情况下得到结果类似的原因;如何设置高斯核的参数
4、简述高斯偏导核的用途和设计原理
5、简述Canny算子如何获取“细边缘”
6、简述Canny算子的“双阈值”设计思路
7、简述滤波器组(Filter Bank)的包括哪些滤波器,其作用是什么?
8、简述Harris算子的数学原理
9、简述自动尺度选择的基本思想(提示:需要什么样的函数f)
10、简述特征尺度的物理意义(提示:考虑信号与滤波器的关系)
11、简述SIFT算子"双塔”结构含义解释该结构如何简化计算?
12、简述SIFT如何为每个关键点确定方向提示:投票细节
13、详述SIFT描述子生成过程,假设关键点已确定
14、如何构造视觉词典
15、简述纹理基元构造过程
16、试论述NB与KNN、LinCls的理论联系
17、𝐬 = 𝑓 (𝐱, 𝐖) = 𝐖x 请分别从代数视角和几何视角解释参数W
18、交叉熵损失(softmax)的数学解释;铰链损失(SVM)的数学解释
19、如何确定参数W更新方向
20、批块是否是越小越快
21、为什么小批量更新策略有助于 模型训练
22、神经网络隐藏层的作用? 提示:线性学习之能与不能
23、再谈神经网络隐藏层的作用? 提示:线性学习之能与不能(代 数视角)
24、CNNs 输出卷积核大小和参数数量
25、请从神经计算视角,解释 感受野和权值共享
26、AlexNet特点
27、请解释Sigmoid激活函数为什么容易引发梯度消失
28、请解释数据增广(augmentation)对于CNN的意义
29、为什么dropout有助于提 升CNN预测精度
30、Momentum的 作用
31、小尺寸滤波器的好处
32、1*1卷积的作用
33、解释残差模块的设计思想
34、训练DNN指南
35、请简述从R-CNN到Fast R-CNN的技术演变历程; 提示:前者存在什么不足,后者如何改进
R-CNN的主要思想
改进版本Fast R-CNN:
二者区别
35、请简述从Fast R-CNN再到Faster R-CNN的技术演变历程; 提示:前者存在什么不足,后者如何改进
Faster R-CNN 的详细优化点和流程:
Faster R-CNN 流程
总结
36、请简述RPN设计思路
RPN流程
图片解释
总结
37、请简述NMS如何去除重叠框
38、给定对象类别,请简述如何绘制PR图/计算AP
39、请简述全卷积网络存在什么问题
40、转置卷积如何解决全卷积网络问题
下采样-上采样策略
1. 下采样(Downsampling)
2. 卷积操作(Convolution)
![](https://csdnimg.cn/release/download_crawler_static/89491642/bg2.jpg)
3. 上采样(Upsampling)
1、简述图像滤波(Image Filtering)的三种定义方式:相关、卷积、内
积
相关:模版覆盖区域内,元素逐一相乘然后累加,此时的对应位置就是上下投影后被覆盖的位置
卷积:将同样的模版旋转180°后,再做"相关"操作。
内积:将矩阵进行行扫描或列扫描形成向量,两个向量进行逐元素相乘,然后将相乘的结果相加得到一
个标量的操作。
2、简述图像滤波的三种用途:模板匹配、图像增强、特征提取;举例说
明每类用途
1)模板匹配:
使用一个目标原型,根据它创建一个模板(即人为定义一个滤波器),将其与测试图像做卷积,得到的
结果越大越匹配。可以用来进行手势识别。
2)图像增强:
图像增强是一种通过对图像进行调整和处理,以符合人类审美观点的方法。其包括图像平滑和图像锐
化。图像平滑中使用高斯核去除图像中的噪点,从而使图片看起来更加清晰和美观;图像锐化中使用拉
普拉斯算子/梯度算子来增强图像中的边缘和细节,从而提高图像的清晰度和对比度。在美颜相机中图像
平滑可以消除照片中的瑕疵、皱纹和其他不完美的细节,图像增强可以增加对比度、增强色彩饱和度以
及调整亮度和色调。
3)特征提取:
将图像中的一些重要的视觉线索(特征)提取出来,以便进一步的分析和处理。这些视觉线索可以根据
特定的需求和应用来进行自定义选择。在Canny边缘检测中,视觉线索即为图像中的边缘,使用高斯偏
导核。在边缘检测中也常使用拉普拉斯算子进行特征提取。除此之外还有Harris角点检测、SIFT特征检
测等。
3、解释在kernel的size不同σ相同情况下得到结果类似的原因;如何
设置高斯核的参数
高斯核服从正态分布,其满足3σ原则。从数学视角看,高斯核对图像进行平滑操作本质上是求某一范围
内的定积分,在设计高斯核时一般其大小为6σ,用其求得出的定积分结果已经趋于稳定,因此当高斯核
增大一倍时,定积分结果的增加并不会十分显著,因此图像b中kernel size在增大一倍后仍然呈现出与图
a相似的效果。
滤波器核width=2*(3*σ)--σ表示方差
![](https://csdnimg.cn/release/download_crawler_static/89491642/bg3.jpg)
4、简述高斯偏导核的用途和设计原理
高斯偏导核实现去噪并边缘提取。
高斯偏导核 = 高斯核去噪声 + 梯度算子提取边缘
设计原理:可以将两个步骤合并成一个步骤,先对图像进行高斯滤波,然后再对滤波后的图像进行卷积
操作。该操作相当于原先先对图像进行平滑处理,然后在平滑后的图像上计算梯度。该方法减少了计算
的复杂度,提高了算法的效率。
5、简述Canny算子如何获取“细边缘”
使用非极大值抑制方法。遍历图像中所有的像素点,将每一个像素点与其梯度方向上相邻的两个点进行
梯度值比较,如果该像素点的梯度值最大,则保留,否则丢弃。若临近2个像素点不在该像素点的梯度方
向上,则有两种解决办法。
方法一:角度量化。在数字图像中梯度方向共有4个:0,45,90,135。因此将其梯度方向近似为距离
以上4个值中最近的一个方向。
方法二:线性差值。
6、简述Canny算子的“双阈值”设计思路
使用"双阈值"来消除弱边缘和强噪声对算法的影响。设置一个最小阈值minVal和一个最大阈值maxVal,
阈值通过梯度图像幅值(像素的灰度值)得到。当梯度值>maxVal则处理成边界;梯度值<minVal则舍
弃;两者之间连有边则保留,否则舍弃。
7、简述滤波器组(Filter Bank)的包括哪些滤波器,其作用是什么?
高斯滤波器:图像处理中进行图像平滑;计算机视觉中检测斑点;数学视角下对图像求积分
LoG:图像处理中进行图像锐化;计算机视觉中检测斑点;数学视角下对先使用高斯平滑操作再对高斯
求二阶偏导
高斯偏导核,高斯二阶偏导核:图像处理中进行边缘检测;计算机视觉中检测边和条;数学视角下对先
对高斯求一/二阶偏导再卷积
8、简述Harris算子的数学原理
将灰度变化公式E(u,v)中的I(x+u,y+v) 利用泰勒级数展开来,目的是将x,y与u,v解耦。最终得到一个二
次型矩阵,将该矩阵中的实对称矩阵M进行特征值分解和相似对角化,得到
其中U决定图形方向,特征值λ1和λ2决定了图形大小。当特征值在两个方向都比较大时则为角点;若特
征值只在一个方向比较大,为边;否则是平面。
由于特征值分解的代价有些大,而traceM和detM相对好求,因此使用角点响应强度R判断代替上述判
断。
![](https://csdnimg.cn/release/download_crawler_static/89491642/bg4.jpg)
即当R>0且很大时,为角点;当R<0时为边;|R|特别小时为平面。
9、简述自动尺度选择的基本思想(提示:需要什么样的函数f)
创建尺度空间,其由一系列从小到大的窗口构成的,这些窗口逐渐覆盖图像中不同尺度的区域,从而可
以进行特征尺度σ选择。若函数f(x,y,σ)在某个尺度σ上达到了局部极大值,则将该尺度σ与窗口大小建立
联系。
10、简述特征尺度的物理意义(提示:考虑信号与滤波器的关系)
函数f(x,y,σ)使用LoG实现。用不同尺度σ的LoG与信号做卷积,卷积大小可以定义为信号的最高点与 LoG
图像围成区域的面积。当信号图像最高点刚好与LoG图像中的零交叉点重合时,此时内积达到了最大
值,即说明该函数达到了局部最大值。
11、简述SIFT算子"双塔”结构含义解释该结构如何简化计算?
人类视觉具有近大远小、近清晰远模糊的特征。根据这一特征设计出高斯金字塔结构。在SIFT算法中,
通过使用不同大小的高斯核(从小到大)对原始图像(从近到远)进行不同程度的平滑处理,然后将这
些不同程度的平滑图像堆叠起来,构成了高斯金字塔结构。创建好图像高斯金字塔后,每一组内的相邻
层相减可以得到高斯差分金字塔,用其来检测图像极值点。
四处简化计算:
1、在高斯金字塔结构中,大尺度的平滑图像可通过对该图像进行两次小尺度的高斯平滑操作得到。即
kσ尺度卷积结果可以由σ尺度卷积后的结果再使用((kσ)^2-σ^2)^(1/2)卷积得到。
2、在跨组时,为避免使用大尺度高斯核,可将图像缩小,使用小尺度的高斯核与图像进行卷积操作。
3、Octave2中2σ层可由Octave1中倒数第三层卷积结果下采样1倍得到。
4、使用DoG代替LoG。高斯金字塔中相邻两层做减法得到高斯差分金字塔,在高斯差分金字塔中,每一
片就相当于一个拉普拉斯核对图像的卷积结果。相对于卷积运算,减法运算效率更高。
12、简述SIFT如何为每个关键点确定方向提示:投票细节
找到关键点后,以关键点为圆心,1.5σ为半径画圆,该圆形区域反映了不同点的权重特征。通过该圆确
定一个正方形区域,对于正方形区域中的每个像素点,计算其梯度方向(假设有t个方向),并将这些梯
度方向量化为[0, 360]度中的n个梯度方向。然后,根据这n个梯度方向进行权重投票(离特征点越近权
重越大 ; 幅值越大权重越大)。根据投票结果,确定整个直方图中频率最高的梯度方向作为关键点的主
方向。
![](https://csdnimg.cn/release/download_crawler_static/89491642/bg5.jpg)
13、详述SIFT描述子生成过程,假设关键点已确定
以关键点为圆心,1.5σ为半径画圆,通过该圆确定一个正方形区域,对于正方形区域中的每个像素点,
计算其梯度方向。将正方形区域分解为一个个4x4小区域(共m个),对于每个小区域,将其中各个像素
点梯度方向(假设有q个)量化为n个梯度方向,其中箭头越长,说明该梯度方向上投票的票数越多,最
终每一个小区域就对应了一个n维向量(直方图),将整个区域中的m个n维向量汇集在一起,形成一个
mxn维的描述子。
######################################################################
#########################
量化是指将连续的数据或信息转换为离散的表示形式;
泛化是指从特定情境中抽象出一般性规律或模式。
14、如何构造视觉词典
先使用sift确定每幅图像中的各个关键点,把每幅图像描述为一个局部区域/关键点特征的无序集合。使
用某种聚类算法(如K-means)将局部特征进行聚类,每个聚类中心被看作是词典中的一个视觉词汇。所
有视觉词汇构成了一个视觉词典,词典中所含词的个数反映了词典的大小。
15、简述纹理基元构造过程
图像中每个像素表示为一个48维向量,对这些向量进行聚类,形成k个类别,从而构建一个包含k个视觉
词汇的视觉词典。使用一定大小的窗口对图像中的关键点进行特征圈定。通过计算特征之间的距离来将
窗口内的每个特征映射到视觉词典的某个词上。然后,使用一个与视觉词典维数相同的直方图向量统计
每个视觉词的出现次数,将不同窗口产生的直方图作比较,如果直方图相似,则可以认为它们属于同一
区域。
16、试论述NB与KNN、LinCls的理论联系
剩余24页未读,继续阅读
资源评论
![avatar-default](https://csdnimg.cn/release/downloadcmsfe/public/img/lazyLogo2.1882d7f4.png)
![avatar](https://profile-avatar.csdnimg.cn/5f2acb5da7b9484eaabeafa640ee68d3_m0_67804957.jpg!1)
热爱编程的OP
- 粉丝: 13
- 资源: 3
上传资源 快速赚钱
我的内容管理 展开
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![voice](https://csdnimg.cn/release/downloadcmsfe/public/img/voice.245cc511.png)
![center-task](https://csdnimg.cn/release/downloadcmsfe/public/img/center-task.c2eda91a.png)
最新资源
- 数据挖掘与数据分析应用案例 数据挖掘算法实践 基于Python的用杰卡德相似算法来进行相似度计算.doc
- YDT 3838-2021通信制造业绿色工厂评价细则.pdf
- python实现浏览器自动化,实现自动打开京东购物车页面
- 数据挖掘与数据分析应用案例 数据挖掘算法实践 基于Python的数据挖掘在超市中的应用与分析.doc
- 图论的思维导图-复习.xmind
- 数据挖掘与数据分析应用案例 数据挖掘算法实践 基于Python的朴素叶斯分类器算法.doc
- 数据挖掘与数据分析应用案例 数据挖掘算法实践 基于Python的朴素贝叶斯算法的应用.doc
- 数据挖掘与数据分析应用案例 数据挖掘算法实践 基于Python的逻辑回归算法.doc
- 202004241046318290.jpg
- 数据挖掘与数据分析应用案例 数据挖掘算法实践 初识神经网络算法.doc
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![feedback](https://img-home.csdnimg.cn/images/20220527035711.png)
![feedback](https://img-home.csdnimg.cn/images/20220527035711.png)
![feedback-tip](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![dialog-icon](https://csdnimg.cn/release/downloadcmsfe/public/img/green-success.6a4acb44.png)