- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
为了理解 Dalal 和 Triggs 提出的定向梯度直方图 (HOG) 特征,我选择了在不使用 openCV 的 HOGDescriptor 的情况下对其进行硬编码。这是我尝试实现 HOG 的一些相关代码:
void hog::hog_process(Mat &direction) // direction is the gradient direction matrix
{
Size blockSize(8,8);
Size cellSize(4,4);
vector<Mat> block;
Size s = direction.size();
Mat cell_eightPx;
Mat cell_fourPx;
// Essentially split the image into 8 by 8 cells. HOG processing of each block should be essiantially here.
// the 8 by 8 cells are then split again into 4 by 4 cells
for(int col = 0; col < direction.rows; col += blockSize.height)
{
for(int row = 0; row < direction.cols; row += blockSize.width)
{
Rect rect= Rect(row, col,blockSize.width,blockSize.height);
cell_eightPx = Mat(direction,rect); // Get a 8 by 8 cell from the gradient direction matrix.
//**********COMPUTE 9 bin gradient direction histogram of the 8 by 8 cell here !!! ****
for(int i = 0; i < cell_eightPx.rows; i += cellSize.height)
{
for(int j = 0; j < cell_eightPx.cols; j += cellSize.width)
{
Rect rect_fourPx = Rect(i,j,cellSize.width,cellSize.height); // 4 by 4 rectangle size
cell_fourPx = Mat(cell_eightPx,rect_fourPx); // create a 4 by 4 cell from gradient direction matrix (cell_eightPx)
gradientHist(cell_fourPx); // Calculate gradient histogram of the 4 by 4 cell. (Function call)
cell_fourPx.deallocate(); // clear the cell.
}
}
}
}
}
这是计算 HOG 特征的 9 bin 直方图的函数 gradientHist():
void hog::gradientHist(Mat &cell_fourPx)
{
Mat hist;
ofstream feature("Hist_Values.csv",std::ofstream::app);
// create a 9 bin histogram with range from 0 t0 180 for HOG descriptors.
int histSize = 9;
float range[] = {0,180};
const float *histRange = {range};
bool uniform = true;
bool accumulate = false;
calcHist(&cell_fourPx, 1, 0,Mat(),hist, 1, &histSize, &histRange, uniform, accumulate); //Calculate the 9 bin histogram.
normalize(hist, hist, 0, 0, NORM_MINMAX, -1, Mat());
for(int i = 0; i < histSize; i++)
{
feature << hist.at<float>(i) << ","; // Output the value of HOG to a csv file
}
}
但是,OpenCV 告诉我:
unsupported format or combination of formats () in calcHist, file....line 1219....histogram.cpp:1219:
error(-210) in function calcHist
也许我忽略了什么?任何建议/想法将不胜感激。提前致谢...
最佳答案
cv::calcHist(...)
调用中的第三个参数 channels
不应为 0(这使其成为空指针)。OpenCV 在这里需要一个指向描述感兴趣 channel 的索引数组的指针。
由于您要使用第一个 channel (索引 0),您的代码应如下所示:
int channels[] = { 0 };
calcHist(&cell_fourPx, 1, channels, ...);
关于c++ - 计算定向梯度的直方图,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/27097163/
我正在尝试调整 tf DeepDream 教程代码以使用另一个模型。现在当我调用 tf.gradients() 时: t_grad = tf.gradients(t_score, t_input)[0
考虑到 tensorflow 中 mnist 上的一个简单的小批量梯度下降问题(就像在这个 tutorial 中),我如何单独检索批次中每个示例的梯度。 tf.gradients()似乎返回批次中所有
当我在 numpy 中计算屏蔽数组的梯度时 import numpy as np import numpy.ma as ma x = np.array([100, 2, 3, 5, 5, 5, 10,
除了数值计算之外,是否有一种快速方法来获取协方差矩阵(我的网络激活)的导数? 我试图将其用作深度神经网络中成本函数中的惩罚项,但为了通过我的层反向传播误差,我需要获得导数。 在Matlab中,如果“a
我有一个计算 3D 空间标量场值的函数,所以我为它提供 x、y 和 z 坐标(由 numpy.meshgrid 获得)的 3D 张量,并在各处使用元素运算。这按预期工作。 现在我需要计算标量场的梯度。
我正在使用内核密度估计 (KDE) ( http://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.gaussian_kde.htm
我对 tensorflow gradient documentation 中的示例感到困惑用于计算梯度。 a = tf.constant(0.) b = 2 * a g = tf.gradients(
我有一个 softmax 层(只有激活本身,没有将输入乘以权重的线性部分),我想对其进行向后传递。 我找到了很多关于 SO 的教程/答案来处理它,但它们似乎都使用 X 作为 (1, n_inputs)
仅供引用,我正在尝试使用 Tensorflow 实现梯度下降算法。 我有一个矩阵X [ x1 x2 x3 x4 ] [ x5 x6 x7 x8 ] 我乘以一些特征向量 Y 得到 Z [ y
我目前有一个由几百万个不均匀分布的粒子组成的体积,每个粒子都有一个属性(对于那些好奇的人来说是潜在的),我想为其计算局部力(加速度)。 np.gradient 仅适用于均匀间隔的数据,我在这里查看:S
我正在寻找有关如何实现 Gradient (steepest) Descent 的建议在 C 中。我正在寻找 f(x)=||Ax-y||^2 的最小值,其中给出了 A(n,n) 和 y(n)。 这在
我正在查看 SVM 损失和导数的代码,我确实理解了损失,但我无法理解如何以矢量化方式计算梯度 def svm_loss_vectorized(W, X, y, reg): loss = 0.0 dW
我正在寻找一种有效的方法来计算 Julia 中多维数组的导数。准确地说,我想要一个等效的 numpy.gradient在 Julia 。但是,Julia 函数 diff : 仅适用于二维数组 沿微分维
我在cathesian 2D 系统中有两个点,它们都给了我向量的起点和终点。现在我需要新向量和 x 轴之间的角度。 我知道梯度 = (y2-y1)/(x2-x1) 并且我知道角度 = arctan(g
我有一个 2D 数组正弦模式,想要绘制该函数的 x 和 y 梯度。我有一个二维数组 image_data : def get_image(params): # do some maths on
假设我有一个针对 MNIST 数据的简单 TensorFlow 模型,如下所示 import tensorflow as tf from tensorflow.examples.tutorials.m
我想查看我的 Tensorflow LSTM 随时间变化的梯度,例如,绘制从 t=N 到 t=0 的梯度范数。问题是,如何从 Tensorflow 中获取每个时间步长的梯度? 最佳答案 在图中定义:
我有一个简单的神经网络,我试图通过使用如下回调使用张量板绘制梯度: class GradientCallback(tf.keras.callbacks.Callback): console =
在CIFAR-10教程中,我注意到变量被放置在CPU内存中,但它在cifar10-train.py中有说明。它是使用单个 GPU 进行训练的。 我很困惑..图层/激活是否存储在 GPU 中?或者,梯度
我有一个 tensorflow 模型,其中层的输出是二维张量,例如 t = [[1,2], [3,4]] . 下一层需要一个由该张量的每一行组合组成的输入。也就是说,我需要把它变成t_new = [[
我是一名优秀的程序员,十分优秀!