ORB(Oriented FAST and Rotated BRIEF)

图像特征算法(三)——ORB算法简述及Python中ORB特征匹配实践 计算机视觉专栏传送 上一篇:图像特征算法(一)——SURF算法简述及Python标记SURF特征检测实践 下一篇:持续创作中… 目录计算机视觉专栏传送一、ORB算法1.算法简介2.FAST寻找特征点3.BRIEF 算法生成图像特征描述符4.满足缩放旋转不变性的改进(1)缩放不变性(2)旋转不变性(3)rBRIEF二、Python代码实践1.测试环境2.测试代码3.核心函数4.测试结果 一、ORB算法 1.算法简介 ORB 是 Oriented Fast and Rotated Brief 的简称,可以用来对 阅读详情

  之前总是在ORB-SLAM的各个版本中听到ORB,但还不知道什么是ORB。借今天这个机会了解下ORB。
  ORB(Oriented FAST and Rotated BRIEF)。首先要意识到ORB不是特征的名字,是一种完成图像间特征匹配的方法。匹配的步骤就体现在命名中。下面介绍两个问题:

  1.ORB的优势在哪?

  可以解决常见图像间特征匹配的两个问题:(1).缩放尺度问题 (2).旋转问题。下面详细介绍ORB的两个流程,可从中体会如何解决这两个常见问题

  2.介绍ORB的两个流程

  ORB有两个特征:关键点(Oriented FAST)、描述子(BRIEF, Binary Robust Independent Elementary Feature)。关键点不用说了,叫描述子的原因是它描述了关键点周围的图像信息,并用描述向量表示。
  ORB包含两部分的改进,一部分是FAST,改进为Oriented FAST。一部分是BRIEF,改进为Rotated BRIEF。

  ORB具体包含两个步骤:特征提取→特征匹配
  1)特征提取
  特征提取具体包含两个步骤:FAST关键点提取→BRIEF描述子计算
    (1)FAST角点(关键点)提取
    FAST角点的确定步骤如下:
在这里插入图片描述

  其实ORB效果好的原因就在于特征提取的有效性:将图片均分成格子,在格子范围内提取FAST关键点。不停分割(四叉树结构),直到接近预设值。尽量保证每一个格子有一个FAST点(允许格子里没有FAST点,也允许格子里有多个FAST点,多个情况会保留响应最大FAST关键点,以避免角点集中),最终实现特征关键点分布均匀。特征点分布均匀,保证了特征提取的有效性。
  Oriented FAST较FAST改进在于增加旋转不变性、尺度不变性,改进后更能增加在不同图像下表示的鲁棒性。旋转不变性的体现是除了FAST中特征点位置还增加方向。尺度不变性的解决基于图像金字塔。
  对图像金字塔的理解:对一张图片,以不同的缩放因子存储。根据待匹配图片的大小,选择合适的层级图像进行匹配
  以上两种改进策略就解决了特征提取的两个问题:(1).缩放尺度问题 (2).旋转问题
  (2)BRIEF描述子计算
  描述子计算主要是为了保留关键点周围信息,用于过后的关键点间的匹配。rBRIEF较BRIFT保持了旋转不变性,正好利用了刚才角点计算时对方向的计算。

  2)特征匹配:

  特征匹配就是寻找到两帧之间对应的匹配点(图像处理中以帧为基本单位,数据处理在相邻两帧中进行)。特征匹配的概念很好理解,主要是特征匹配的匹配算法。在此介绍三种,但不止三种
  (1)暴力匹配
  主要思想:对两帧图像每一对关键点进行描述子距离计算,排序,取最近的作为匹配点。
  描述子距离表示相似程度,越小越相似。具体的计算过程不再此陈述(其实我也不会~)
  (2)SearchForInitialization
  主要思想:划定待匹配点周围一定区域,根据区域内其余所有点的方向建立直方图。寻找出特征点数量最多的前三个方向,根据判定式确定第一主方向和第二主方向(可能不存在)
  (3)SearchByProjection
  主要思想:根据匀速模型估计位姿,将前一帧点对应地图投影到当前帧,计算搜索点(当前帧上)到前一帧点的汉明距离(用于二进制距离度量),若汉明距离小于阈值,则认为是其匹配点。经姿势优化后,满足条件匹配点大于10认为两帧跟踪成功
  注:二进制对应位不同,汉明距离才会加1。所以相似程度越高,汉明距离越小。

  本篇简单对ORB有个印象,ORB本身不是我关注的重点。ORB如何在ORB-SLAM的各个版本中起到作用才重要(以目前来看也看不太出来,ORB-SLAM在描述过程中好像直接省略了特征匹配方法的具体描述,只是陈述了选择ORB作为特征匹配方法)

参考资料:
1.ORB特征匹配
2.ORB特征点匹配
3.【详解】ORB特征提取与匹配_哔哩哔哩

因作者水平有限,如果错误之处,请在下方评论区指正,谢谢!

ORB - (Oriented Fast and Rotated BRIEF)算法 ORB - (Oriented Fast and Rotated BRIEF) ORB detector 使用 FAST detector 和 BRIEF descriptor 基本思路。在介绍 ORB 之前,首先对 FAST 与 BRIEF 进行说明。 1 FAST FAST(Featrues from Accelerated Segment Test),其基本思想是比较当前点与周边点差异,当周边有连续不少于一半的点均比中间点亮或者暗,则认为该点为一个特征点。其中,亮或暗的定义为: 使用以 阅读详情

相关推荐

特征检测---ORB

文章目录为什么要引入ORB什么是ORBFASTOriented FASTBRIEF描述子Hamming距离改进的BRIEF 为什么要引入ORB 在ORB之前,有SIFT、SURF,虽然具有良好的旋转不变性、光照不变性等,但这两个检测方法需要的时间实在是有些长,尤其是SIFT。下图是ORB文献里提到的每种方法检测一帧图像(640*480)所用的时间: 可以看出来,ORB在速度上的确是快很多。 什么是ORB ORB全称是Oriented FAST and Rotated BRIEF,是目前最快速稳定的特征点检

干饭人 3939

ORB特征

ORB(Oriented FAST and Rotated BRIEF)特征是一种常用的图像特征,其最大的优点是提取速度快,按业界的说法,ORB特征提取速度臂SURF快10倍,比SIFT快100倍。ORB特征由关键点和描述子两部分组成。他的关键点称为“Oriented FAST”,是一种改进的FAST角点。ORB提取速度快就得益于采用了FAST角点。它的描述子称为BRIEF(Binary Robust Independent Elementary Feature),是一种速度极快的二进制描述子。

qq_34493401的博客 6371

opencv学习——ORB(Oriented FAST and Rotated BRIEF)

1、FAST FAST算子的基本原理是:若某像素点与其周围领域内足够多的连续的像素点存在某一属性差异,并且该差异大于指定阈值,则可以断定该像素点与其邻域像素有可被识别的不同之处,可以作为一个特征点(角点);对于灰度图像,FAST算子考察的属性是像素与其邻域的灰度差异。 这个检查过程可以用下图更清楚的描述:对于图像上所有像素点,考察其7*7邻域内以该点为圆心,半径是3的圆周上的共计16个像素点和中

ei1990的博客 2561

数字图像处理学习笔记(三):ORB算法(尺度不变特征变换)Oriented FAST and Rotated BRIEF

数字图像处理学习笔记(三):ORB算法(尺度不变特征变换)Oriented FAST and Rotated BRIEF 一、概述 ORB的全称是Oriented FAST and Rotated BRIEF,是目前来说非常好的能够进行的实时的图像特征提取和描述的算法,它改进了FAST特征提取算法,并使用速度极快的二进制描述子BRIEF。 针对FAST特征提取的算法的一些确定,ORB也做了相应的...

Leon_Chen的博客 7721

ORB算法介绍 Introduction to ORB (Oriented FAST and Rotated BRIEF)

Introduction to ORB (Oriented FAST and Rotated BRIEF) 1. Introduction ORB(Oriented FAST and Rotated BRIEF)是一种广泛应用于计算机视觉领域的特征描述算法。它结合了FAST角点检测算法和BRIEF描述子算法,以实现高效且具有旋转不变性的特征提取和匹配。 ORB算法的主要特点如下: 旋转不变性,...

越努力越幸运 246

[总结] orb(Oriented FAST and Rotated BRIEF) 2.代码

1. 引言 参考:【OpenCV学习笔记】之图像金字塔(Image Pyramid)_zhu_hongji的博客-CSDN博客_图像金字塔 1.1 图像金字塔(Image Pyramid) 尺度调整,可以用 resize 函数 图像金字塔是图像中 多尺度表达 的一种,是一种以 多分辨率来解释图像的结构。 2.ORB (Oriented FAST and Rotated BRIEF) 2.1 ORB由来介绍 ORB (Oriented FAST and Rotated BRIE...

心宝的博客 2438

ORB (Oriented FAST and Rotated BRIEF)

为了对steered_BRIEF算法使得特征的方差减小的弥补和减小数据间的相关性,用一个学习算法(learningmethod)选择二进制测试的一个子集。在计算开支,匹配效率以及更主要的是专利问题方面ORB算法是是SIFT和SURF算法的一个很好的替代品。所以我们在生成特征前,要把关键点领域的这个patch的坐标轴旋转到关键点的方向。为了进一步提高旋转不变性,要计算以角点为中心半径为r的圆形区域的矩,再根据矩计算除方向。对于描述符,ORB使用的是BRIEF描述符。......

yyyyyya_的博客 562

【opencv-文档】 翻译ORB(Oriented FAST and Rotated BRIEF)

ORB--Oriented FAST and Rotated BRIEFOpencv官方文档中英翻译python simple Opencv官方文档 OpenCV-Python Tutorials>Feature Detection and Description https://docs.opencv.org/trunk/d1/d89/tutorial_py_orb.html 中英翻译 Theory 理论 As an OpenCV enthusiast, the most important th

jn10010537的博客 1392

python 亮度一致_ORB(Oriented FAST and Rotated BRIEF)简介及Python实现

Oriented FAST and Rotated BRIEF (ORB)由Ethan Rublee,Vincent Rabaud,Kurt Konolige和Gary R. Bradski于2011年在OpenCV实验室开发,是SIFT和SURF的有效可行的替代方案。ORB的构思主要是因为SIFT和SURF是专利算法。但是,ORB可以免费使用。论文链接:http://www.willowgara...

weixin_39760206的博客 556

SIFT和SURF的替换算法——ORB (Oriented FAST and Rotated BRIEF 快速定向和旋转)

这篇博客将继续介绍特征检测的算法:FAST和BRIEF的融合版——ORB (Oriented FAST and Rotated BRIEF 快速定向和旋转) 。 ORB比SURF和SIFT快得多,ORB描述符比SURF工作得更好,是用于全景拼接等低功耗设备的理想选择。 在计算成本、匹配性能以及主要专利方面,它是SIFT和SURF的良好替代品。SIFT和SURF是专利算法,需要为它的使用付费。但ORB不需要。

qq_40985985的博客 1073

[总结] orb(Oriented Fast and rotated Brief) 1.详解

心宝的博客 440

【OpenCV-Python】教程:4-8 ORB (Oriented FAST and Rotated BRIEF)

BRIEF有一个重要的特性,即每个位特征的方差较大,均值接近0.5。为了解决所有这些问题,ORB在所有可能的二进制测试中运行贪婪搜索,以找到方差高且均值接近0.5且不相关的二进制测试。在ICCV2011的论文 “ORB: An efficient alternative to SIFT or SURF” 提出,是 SIFT 和 SURF 的替代,没有专利问题;计算局部角点为中心的Patch的亮度加权重心,方向就是角点到重心的连线。,找到它的旋转矩阵,并旋转。在视图中是一致的,正确的点。为patch的大小。

815

用74LS190和555定时器复刻经典交通灯:一个电子工程新手的实战避坑记录

本文记录了使用74LS190和555定时器复刻经典交通灯的实战过程,详细介绍了元件选型、电路搭建与调试的关键步骤。特别分享了555定时器参数设置、74LS190级联技巧以及状态机设计的避坑经验,为电子工程新手提供实用参考。

weixin_42629671的博客 310

OpenCV---特征检测算法(ORB,Oriented FAST and Rotated BRIEF)

ORB是一种高效的特征检测与描述算法,结合了FAST关键点检测和BRIEF描述符的优点,并改进了旋转和尺度不变性。通过图像金字塔实现尺度不变性,灰度质心法赋予方向特征,旋转BRIEF增强描述符鲁棒性。相比SIFT/SURF,ORB速度更快(适合实时应用)、无专利限制,虽然对噪声敏感度较高,但仍是计算机视觉任务的理想选择。OpenCV提供了ORB的完整实现,包括关键点检测、描述符计算和特征匹配功能。

MzKyle的博客 2855

Python逆向爬取Tik Tok,MsToken,X-Bogus以及signature

tiktok作为字节海外的自媒体平台,具有很非常大的价值,本文旨在教会大家实现Tik Tok的签名获取以及数据的最终爬取。

weixin_74305707的博客 3277

(超详细)互补格雷码+相移码求解包裹相位(Python实现)

记录实现“互补格雷码+相移码”求解包裹相位的编码过程。也可以叫它“5+4”法,5代表五幅格雷码图像,4代表四步相移法的四张正弦条纹图。

暴雨梨花博客 3万+

ORB(Oriented FAST and Rotated BRIEF) 特征点

ORB(Oriented FAST and Rotated BRIEF) 特征点 在Fast角点与brief描述子的基础上,拓展得到ORB特征点。 具有实时性好,提取效果也不错的优势,被广泛应用于需要实时处理处理任务的场景中。 特征提取 预备知识: FAST角点 Fast角点不具备尺度不变性,某些点在较小尺度下可能是角点而在大尺度下则变成了边缘,如图所示 因此ORB在提取特征点时进行了改进,利用单张图像金字塔进行多尺度特征提取,得到多尺度下的特征点。 特征描述 ORB特征点的描述子是在brief描述子基

木独的博客 2214

YOLO11 改进系列 | 引入2023年 MLCA 的 C3k2_MLCA 模块,近零参数开销的本地-全局通道注意力,适合检测与分割特征增强

本文提出将MLCA(混合局部通道注意力)模块嵌入YOLOv11的C3k2框架中,形成C3k2_MLCA改进结构。该模块通过5×5局部池化和1×1全局池化双路融合,结合ECA式Conv1d生成通道注意力,在几乎不增加参数量的前提下(仅增加66个参数),实现了局部空间信息与全局通道统计的联合建模。相比传统SE和ECA注意力,MLCA保留了空间分布信息,更适合实例分割等需要精细定位的任务。实验表明改进后模型参数量仅增加0.002%,计算量基本不变,是一种高效的注意力增强方案。

qq_44224801的博客 93

ORB(Oriented FAST and Rotated BRIEF)特征提取算法原理详解和C++代码实现

int x, y;Level 0: 原始图像(尺度 1.0)Level 1: 缩小为 1/√2(尺度 ~0.707)Level 2: 缩小为 1/2(尺度 0.5)...Level N: 最小图像(尺度 ≈ 0.25)每一层都可以进行特征点检测,并将检测到的特征点坐标统一映射到原始图像坐标系中。ORB 是轻量、高效、旋转不变的特征提取方法。上述代码完全不依赖 OpenCV,可用于嵌入式或定制平台。可与 Hamming 距离 + 暴力搜索或 FLANN 结合完成特征匹配。

qq_36812406的博客 1750

高数15种常见特殊曲线:星形线、心形线、摆线、对数螺线、双曲螺线、阿基米德螺线、伯努利双纽线、三叶玫瑰线、四叶玫瑰线、六叶玫瑰线、三次抛物线、半立方抛物线、箕舌线、蔓叶线、笛卡儿叶形线、概率曲线

4.1 对数螺线(等角螺线、生长螺线)三叶玫瑰线、四叶玫瑰线、六叶玫瑰线。​7.2 半立方抛物线(尼尔曲线)10.笛卡儿叶形线(茉莉花瓣曲线)常考选择题、填空题,大题也涉及。​4.2 双曲螺线(倒数螺线)11.阿基米德螺线(等速螺线)3.摆线(圆滚线、旋轮线)5.双纽线(伯努利双纽线)1.星形线(四尖瓣线)2.心形线(心脏线)..................

刘鑫磊 1万+

从 Service Entry Sheet 按 PO 行项目追溯服务行:PACKNO 与 ESLL 层级解包实战

摘要: SAP MM模块中,外部服务采购的数据结构较为复杂,服务明细并非直接存储在采购订单行项目表EKPO中,而是通过PACKNO关联到服务包表ESLL。本文解析了从采购订单行项目EBELN+EBELP获取服务行号SRVPOS的方法,重点分析了服务包的层级结构(根包、子包SUB_PACKNO),并提供了兼容合同项目的ABAP代码实现。通过EKPO-PACKNO定位根包后,需结合ESUC和ESLL表逐层解析子包,最终获取服务明细数据,解决了服务采购场景下的数据关联难题。(149字)

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 179

[cv] orb特征提取和描述(Oriented FAST and Rotated BRIEF)

参考:https://blog.csdn.net/qq_20791919/article/details/80176643?utm_medium=distribute.pc_relevant.none-task-blog-baidujs_baidulandingword-1&spm=1001.2101.3001.4242 1. ORB算法介绍 ORB(Oriented FAST and Rotated BRIEF)是一种快速特征点提取和描述的算法。 这个算法是由Ethan Rublee, Vince

心宝的博客 673

Codex 实战 Skills:自动采集一天之内的 Git 提交,一键排版成精美工作日报并发送邮件

特性手动撰写脚本辅助(仅聚合)AI 增强自动化(本文方案)时间成本高(30-60分钟/天)中(5-10分钟/天)低(<1分钟/天)内容质量依赖个人总结能力原始数据堆砌,缺乏提炼专业、结构化、有业务视角信息完整性易遗漏完整,但难以阅读完整,且经过分类筛选维护成本无低中(需维护 Skill 配置)可扩展性低中高(可轻松添加周报、月报)适用场景所有开发者初级开发者追求效率的高级开发者本文详细介绍了一种基于 Codex Agent Skills 的自动日报生成方案。

yueyeguzhuo的专栏 105

5.8. ORB (Oriented FAST and Rotated BRIEF)

这个算法由Ethan Rublee,Vincent Rabaud,Kurt Konolige和Gary R. Bradski在他们的论文ORB中提出:2011年是SIFT或SURF的有效替代方案。为了解决所有这些问题,ORB在所有可能的二进制测试中运行一个贪婪的搜索,以找到具有高方差和意味着接近0.5的那些,以及不相关的。结果称为rBRIEF。为了改善旋转不变性,用x和y计算矩,该x和y应该在半径为r的圆形区域中,其中r是贴片的大小。处的n个二进制测试的任何特征集,定义2×n矩阵,其包含这些像素的坐标。

195

Central Finance 全景解析:用 SAP S/4HANA 构建跨系统的财务中台与渐进式转型路径

Central Finance 是基于 SAP S/4HANA 的一种部署与应用场景:在不打断现有异构源系统运营的前提下,把多套 SAP 与非 SAP 系统中的财务与管理会计数据实时/准实时复制到一套中心化的 SAP S/4HANA 中,作为统一的记账与分析底座,逐步把选定的财务流程(如预算控制、付款、固定资产结账等)迁入中心系统。这让企业既能快速获得统一报表与统一核算结构,又为未来的整体迁移留出了弹性路径。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 405

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

OpenCV-Python官方教程-26- ORB (Oriented FAST and Rotated BRIEF)

OpenCV中的ORB算法 我们必须创建一个ORB对象,通过函数 cv.ORB_create() 。或者使用 feature2d公共接口。它有多个可选参数。最有用的几个,是nFeatures,它表示要保留特征的最大数量(默认是500),scoreType 表示是在为特征点排序时,是要用哈里斯的方式来计分还是使用FAST算法来计分(默认是哈里斯的计分算法)等等。还有个参数,WTA_K 决定产生有方向的BRIEF描述符的每个元素点的数目。默认情况下是两个,因为两点决定一条线。这种情况下,使用汉明距离(译者注:N

Galen_xia的博客 642

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

上一篇: C++11特性——lambda表达式
下一篇: 初识ROS
DWQY
博客等级 码龄7年 463粉丝 388原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址