张飞软硬开源基于STM32 BLDC直流无刷电机驱动器开发视频套件,👉戳此立抢👈

YOLO的核心思想及YOLO的实现细节

2018-06-05 09:12 次阅读

YOLOv1

这是继 RCNN,fast-RCNN 和 faster-RCNN之后,Ross Girshick 针对 DL 目标检测速度问题提出的另外一种框架。YOLO V1 其增强版本在 GPU 上能跑45fps,简化版本155fps。

论文下载:

http://arxiv.org/abs/1506.02640

代码下载:

https://github.com/pjreddie/darknet 

1. YOLO 的核心思想

YOLO 的核心思想就是利用整张图作为网络的输入,直接在输出层回归 bounding box(边界框) 的位置及其所属的类别。

faster-RCNN 中也直接用整张图作为输入,但是 faster-RCNN 整体还是采用了RCNN 那种 proposal+classifier 的思想,只不过是将提取 proposal 的步骤放在 CNN 中实现了,而 YOLO 则采用直接回归的思路。

2.YOLO 的实现方法

将一幅图像分成 SxS 个网格(grid cell),如果某个 object 的中心落在这个网格中,则这个网格就负责预测这个 object。 

每个网格要预测 B 个 bounding box,每个 bounding box 除了要回归自身的位置之外,还要附带预测一个 confidence 值。 

这个 confidence 代表了所预测的 box 中含有 object 的置信度和这个 box 预测的有多准这两重信息,其值是这样计算的:  

其中如果有 object 落在一个 grid cell 里,第一项取 1,否则取 0。 第二项是预测的 bounding box 和实际的 groundtruth 之间的 IoU 值。

每个 bounding box 要预测 (x, y, w, h) 和 confidence 共5个值,每个网格还要预测一个类别信息,记为 C 类。则 SxS个 网格,每个网格要预测 B 个 bounding box 还要预测 C 个 categories。输出就是 S x S x (5*B+C) 的一个 tensor。

注意:class 信息是针对每个网格的,confidence 信息是针对每个 bounding box 的。

举例说明: 在 PASCAL VOC 中,图像输入为 448x448,取 S=7,B=2,一共有20 个类别(C=20),则输出就是 7x7x30 的一个 tensor。

整个网络结构如下图所示: 

在 test 的时候,每个网格预测的 class 信息和 bounding box 预测的 confidence信息相乘,就得到每个 bounding box 的 class-specific confidence score:

等式左边第一项就是每个网格预测的类别信息,第二、三项就是每个 bounding box 预测的 confidence。这个乘积即 encode 了预测的 box 属于某一类的概率,也有该 box 准确度的信息。

得到每个 box 的 class-specific confidence score 以后,设置阈值,滤掉得分低的 boxes,对保留的 boxes 进行 NMS 处理,就得到最终的检测结果。

注:

*由于输出层为全连接层,因此在检测时,YOLO 训练模型只支持与训练图像相同的输入分辨率。

*虽然每个格子可以预测 B 个 bounding box,但是最终只选择只选择 IOU 最高的 bounding box 作为物体检测输出,即每个格子最多只预测出一个物体。当物体占画面比例较小,如图像中包含畜群或鸟群时,每个格子包含多个物体,但却只能检测出其中一个。这是 YOLO 方法的一个缺陷。

3.YOLO 的实现细节

每个 grid 有 30 维,这 30 维中,8 维是回归 box 的坐标,2 维是 box的 confidence,还有 20 维是类别。 

其中坐标的 x, y 用对应网格的 offset 归一化到 0-1 之间,w, h 用图像的 width 和 height 归一化到 0-1 之间。

在实现中,最主要的就是怎么设计损失函数,让这个三个方面得到很好的平衡。作者简单粗暴的全部采用了 sum-squared error loss 来做这件事。

这种做法存在以下几个问题: 

第一,8维的 localization error 和20维的 classification error 同等重要显然是不合理的; 

第二,如果一个网格中没有 object(一幅图中这种网格很多),那么就会将这些网格中的 box 的 confidence push 到 0,相比于较少的有 object 的网格,这种做法是 overpowering 的,这会导致网络不稳定甚至发散。

解决办法:

更重视8维的坐标预测,给这些损失前面赋予更大的 loss weight, 记为

在 pascal VOC 训练中取 5。

对没有 object 的 box 的 confidence loss,赋予小的 loss weight,记为

在 pascal VOC 训练中取 0.5。

有 object 的 box 的 confidence loss 和类别的 loss 的 loss weight 正常取 1。

对不同大小的 box 预测中,相比于大 box 预测偏一点,小 box 预测偏一点肯定更不能被忍受的。而 sum-square error loss 中对同样的偏移 loss 是一样。

为了缓和这个问题,作者用了一个比较取巧的办法,就是将 box 的 width 和 height 取平方根代替原本的 height 和 width。这个参考下面的图很容易理解,小box 的横轴值较小,发生偏移时,反应到y轴上相比大 box 要大。(也是个近似逼近方式)

一个网格预测多个 box,希望的是每个 box predictor 专门负责预测某个 object。具体做法就是看当前预测的 box 与 ground truth box 中哪个 IoU 大,就负责哪个。这种做法称作 box predictor 的 specialization。

最后整个的损失函数如下所示: 

这个损失函数中: 

只有当某个网格中有 object 的时候才对 classification error 进行惩罚。

只有当某个 box predictor 对某个 ground truth box 负责的时候,才会对 box 的 coordinate error 进行惩罚,而对哪个 ground truth box 负责就看其预测值和 ground truth box 的 IoU 是不是在那个 cell 的所有 box 中最大。

其他细节,例如使用激活函数使用 leak RELU,模型用 ImageNet 预训练等等,在这里就不一一赘述了。

注:

*YOLO 方法模型训练依赖于物体识别标注数据,因此,对于非常规的物体形状或比例,YOLO 的检测效果并不理想。

*YOLO 采用了多个下采样层,网络学到的物体特征并不精细,因此也会影响检测效果。

* YOLO 的损失函数中,大物体 IOU 误差和小物体 IOU 误差对网络训练中 loss 贡献值接近(虽然采用求平方根方式,但没有根本解决问题)。因此,对于小物体,小的 IOU 误差也会对网络优化过程造成很大的影响,从而降低了物体检测的定位准确性。

4.YOLO 的缺点

YOLO 对相互靠的很近的物体,还有很小的群体检测效果不好,这是因为一个网格中只预测了两个框,并且只属于一类。

同一类物体出现的新的不常见的长宽比和其他情况时,泛化能力偏弱。

由于损失函数的问题,定位误差是影响检测效果的主要原因。尤其是大小物体的处理上,还有待加强。

YOLOv2

YOLOv2:代表着目前业界最先进物体检测的水平,它的速度要快过其他检测系统(FasterR-CNN,ResNet,SSD),使用者可以在它的速度与精确度之间进行权衡。

YOLO9000:这一网络结构可以实时地检测超过 9000 种物体分类,这归功于它使用了 WordTree,通过 WordTree 来混合检测数据集与识别数据集之中的数据。

工程代码地址:

http://pjreddie.com/darknet/yolo/

▌简介

目前的检测数据集(Detection Datasets)有很多限制,分类标签的信息太少,图片的数量小于分类数据集(Classification Datasets),而且检测数据集的成本太高,使其无法当作分类数据集进行使用。而现在的分类数据集却有着大量的图片和十分丰富分类信息。

文章提出了一种新的训练方法–联合训练算法。这种算法可以把这两种的数据集混合到一起。使用一种分层的观点对物体进行分类,用巨量的分类数据集数据来扩充检测数据集,从而把两种不同的数据集混合起来。

联合训练算法的基本思路就是:同时在检测数据集和分类数据集上训练物体检测器(Object Detectors ),用监测数据集的数据学习物体的准确位置,用分类数据集的数据来增加分类的类别量、提升鲁棒性。

YOLO9000 就是使用联合训练算法训练出来的,他拥有 9000 类的分类信息,这些分类信息学习自ImageNet分类数据集,而物体位置检测则学习自 COCO 检测数据集。

代码和预训练模型地址:

http://pjreddie.com/yolo9000/

▌更准

YOLO 一代有很多缺点,作者希望改进的方向是改善 recall,提升定位的准确度,同时保持分类的准确度。 

目前计算机视觉的趋势是更大更深的网络,更好的性能表现通常依赖于训练更大的网络或者把多种模型综合到一起。但是 YOLO v2 则着力于简化网络。具体的改进见下表:

Batch Normalization

使用 Batch Normalization 对网络进行优化,让网络提高了收敛性,同时还消除了对其他形式的正则化(regularization)的依赖。通过对 YOLO 的每一个卷积层增加 Batch Normalization,最终使得 mAP 提高了 2%,同时还使模型正则化。使用 Batch Normalization 可以从模型中去掉 Dropout,而不会产生过拟合。

High resolution classifier

目前业界标准的检测方法,都要先把分类器(classifier)放在ImageNet上进行预训练。从 Alexnet 开始,大多数的分类器都运行在小于 256*256 的图片上。而现在 YOLO 从 224*224 增加到了 448*448,这就意味着网络需要适应新的输入分辨率。

为了适应新的分辨率,YOLO v2 的分类网络以 448*448 的分辨率先在 ImageNet上进行微调,微调 10 个 epochs,让网络有时间调整滤波器(filters),好让其能更好的运行在新分辨率上,还需要调优用于检测的 Resulting Network。最终通过使用高分辨率,mAP 提升了 4%。

Convolution with anchor boxes

YOLO 一代包含有全连接层,从而能直接预测 Bounding Boxes 的坐标值。  Faster R-CNN 的方法只用卷积层与 Region Proposal Network 来预测 Anchor Box 偏移值与置信度,而不是直接预测坐标值。作者发现通过预测偏移量而不是坐标值能够简化问题,让神经网络学习起来更容易。

所以最终 YOLO 去掉了全连接层,使用 Anchor Boxes 来预测 Bounding Boxes。作者去掉了网络中一个池化层,这让卷积层的输出能有更高的分辨率。收缩网络让其运行在 416*416 而不是 448*448。由于图片中的物体都倾向于出现在图片的中心位置,特别是那种比较大的物体,所以有一个单独位于物体中心的位置用于预测这些物体。YOLO 的卷积层采用 32 这个值来下采样图片,所以通过选择 416*416 用作输入尺寸最终能输出一个 13*13 的特征图。 使用 Anchor Box 会让精确度稍微下降,但用了它能让 YOLO 能预测出大于一千个框,同时 recall 达到88%,mAP 达到 69.2%。

Dimension clusters

之前 Anchor Box 的尺寸是手动选择的,所以尺寸还有优化的余地。 为了优化,在训练集的 Bounding Boxes 上跑一下 k-means聚类,来找到一个比较好的值。

如果我们用标准的欧式距离的 k-means,尺寸大的框比小框产生更多的错误。因为我们的目的是提高 IOU 分数,这依赖于 Box 的大小,所以距离度量的使用: 

通过分析实验结果(Figure 2),左图:在模型复杂性与 high recall 之间权衡之后,选择聚类分类数 K=5。右图:是聚类的中心,大多数是高瘦的 Box。

Table1 是说明用 K-means 选择 Anchor Boxes 时,当 Cluster IOU 选择值为 5 时,AVG IOU 的值是 61,这个值要比不用聚类的方法的 60.9 要高。选择值为 9 的时候,AVG IOU 更有显著提高。总之就是说明用聚类的方法是有效果的。

Direct location prediction

用 Anchor Box 的方法,会让 model 变得不稳定,尤其是在最开始的几次迭代的时候。大多数不稳定因素产生自预测 Box 的(x,y)位置的时候。按照之前 YOLO的方法,网络不会预测偏移量,而是根据 YOLO 中的网格单元的位置来预测坐标,这就让 Ground Truth 的值介于 0 到 1 之间。而为了让网络的结果能落在这一范围内,网络使用一个 Logistic Activation 来对于网络预测结果进行限制,让结果介于 0 到 1 之间。 网络在每一个网格单元中预测出 5 个 Bounding Boxes,每个 Bounding Boxes 有五个坐标值 tx,ty,tw,th,t0,他们的关系见下图(Figure3)。假设一个网格单元对于图片左上角的偏移量是 cx、cy,Bounding Boxes Prior 的宽度和高度是 pw、ph,那么预测的结果见下图右面的公式: 

因为使用了限制让数值变得参数化,也让网络更容易学习、更稳定。Dimension clusters和Direct location prediction,使 YOLO 比其他使用 Anchor Box 的版本提高了近5%。

Fine-Grained Features

YOLO 修改后的特征图大小为 13*13,这个尺寸对检测图片中尺寸大物体来说足够了,同时使用这种细粒度的特征对定位小物体的位置可能也有好处。Faster-RCNN、SSD 都使用不同尺寸的特征图来取得不同范围的分辨率,而 YOLO 采取了不同的方法,YOLO 加上了一个 Passthrough Layer 来取得之前的某个 26*26 分辨率的层的特征。这个 Passthrough layer 能够把高分辨率特征与低分辨率特征联系在一起,联系起来的方法是把相邻的特征堆积在不同的 Channel 之中,这一方法类似与 Resnet 的 Identity Mapping,从而把 26*26*512 变成 13*13*2048。YOLO 中的检测器位于扩展后(expanded )的特征图的上方,所以他能取得细粒度的特征信息,这提升了 YOLO 1% 的性能。

Multi-Scale Training

作者希望 YOLOv2 能健壮地运行于不同尺寸的图片之上,所以把这一想法用于训练模型中。 

区别于之前的补全图片的尺寸的方法,YOLOv2 每迭代几次都会改变网络参数。每 10 个 Batch,网络会随机地选择一个新的图片尺寸,由于使用了下采样参数是  32,所以不同的尺寸大小也选择为 32 的倍数 {320,352…..608},最小 320*320,最大 608*608,网络会自动改变尺寸,并继续训练的过程。

这一政策让网络在不同的输入尺寸上都能达到一个很好的预测效果,同一网络能在不同分辨率上进行检测。当输入图片尺寸比较小的时候跑的比较快,输入图片尺寸比较大的时候精度高,所以你可以在 YOLOv2 的速度和精度上进行权衡。

下图是在 voc2007 上的速度与精度

▌更快

YOLO 使用的是 GoogLeNet 架构,比 VGG-16 快,YOLO 完成一次前向过程只用 85.2 亿次运算,而 VGG-16 要 306.9 亿次,但是 YOLO 精度稍低于 VGG-16。

Draknet19

YOLO v2 基于一个新的分类模型,有点类似于 VGG。YOLO v2 使用 3*3 的 filter,每次池化之后都增加一倍 Channels 的数量。YOLO v2 使用全局平均池化,使用 Batch Normilazation 来让训练更稳定,加速收敛,使模型规范化。

最终的模型–Darknet19,有 19 个卷积层和 5 个 maxpooling 层,处理一张图片只需要 55.8 亿次运算,在 ImageNet 上达到 72.9% top-1 精确度,91.2% top-5 精确度。

Training for classification

在训练时,把整个网络在更大的448*448分辨率上Fine Turnning 10个 epoches,初始学习率设置为0.001,这种网络达到达到76.5%top-1精确度,93.3%top-5精确度。

▌更强

在训练的过程中,当网络遇到一个来自检测数据集的图片与标记信息,那么就把这些数据用完整的 YOLO v2 loss 功能反向传播这个图片。当网络遇到一个来自分类数据集的图片和分类标记信息,只用整个结构中分类部分的 loss 功能反向传播这个图片。

但是检测数据集只有粗粒度的标记信息,像“猫“、“ 狗”之类,而分类数据集的标签信息则更细粒度,更丰富。比如狗这一类就包括”哈士奇“”牛头梗“”金毛狗“等等。所以如果想同时在监测数据集与分类数据集上进行训练,那么就要用一种一致性的方法融合这些标签信息。

再者,用于分类的方法,大多是用 softmax layer 方法,softmax 意味着分类的类别之间要互相独立的。而盲目地混合数据集训练,就会出现比如:检测数据集的分类信息中”狗“这一分类,在分类数据集合中,就会有的不同种类的狗:“哈士奇”、“牛头梗”、“金毛”这些分类,这两种数据集之间的分类信息不相互独立。所以使用一种多标签的模型来混合数据集,假设一个图片可以有多个分类信息,并假定分类信息必须是相互独立的规则可以被忽略。

Hierarchical classification

WordNet 的结构是一个直接图表(directed graph),而不是树型结构。因为语言是复杂的,狗这个词既属于‘犬科’又属于‘家畜’两类,而‘犬科’和‘家畜’两类在 WordNet 中则是同义词,所以不能用树形结构。

作者希望根据 ImageNet 中包含的概念来建立一个分层树,为了建立这个分层树,首先检查 ImagenNet 中出现的名词,再在 WordNet 中找到这些名词,再找到这些名词到达他们根节点的路径(在这里设为所有的根节点为实体对象(physical object)。在 WordNet 中,大多数同义词只有一个路径,所以首先把这条路径中的词全部都加到分层树中。接着迭代地检查剩下的名词,并尽可能少的把他们添加到分层树上,添加的原则是取最短路径加入到树中。

为了计算某一结点的绝对概率,只需要对这一结点到根节点的整条路径的所有概率进行相乘。所以比如你想知道一个图片是否是 Norfolk terrier 的概率,则进行如下计算:

为了验证这一个方法,在 WordTree 上训练 Darknet19 的模型,使用 1000 类的 ImageNet 进行训练,为了建立 WordtTree 1K,把所有中间词汇加入到 WordTree 上,把标签空间从 1000 扩大到了 1369。在训练过程中,如果有一个图片的标签是“Norfolk terrier”,那么这个图片还会获得”狗“(dog)以及“哺乳动物”(mammal)等标签。总之现在一张图片是多标记的,标记之间不需要相互独立。

如 Figure5 所示,之前的 ImageNet 分类是使用一个大 softmax 进行分类。而现在,WordTree 只需要对同一概念下的同义词进行 softmax 分类。 

使用相同的训练参数,这种分层结构的Darknet19达到71.9%top-1精度和90.4% top-5 精确度,精度只有微小的下降。 

这种方法的好处:在对未知或者新的物体进行分类时,性能降低的很优雅(gracefully)。比如看到一个狗的照片,但不知道是哪种种类的狗,那么就高置信度(confidence)预测是”狗“,而其他狗的种类的同义词如”哈士奇“”牛头梗“”金毛“等这些则低置信度。

Datasets combination with wordtree

用 WordTree 把数据集合中的类别映射到分层树中的同义词上,例如上图 Figure 6,WordTree 混合 ImageNet 与 COCO。

Joint classification and detection

作者的目的是:训练一个 Extremely Large Scale 检测器。所以训练的时候使用 WordTree 混合了 COCO 检测数据集与 ImageNet 中的 Top9000 类,混合后的数据集对应的 WordTree 有 9418 个类。另一方面,由于 ImageNet 数据集太大了,作者为了平衡一下两个数据集之间的数据量,通过过采样(oversampling) COCO 数据集中的数据,使 COCO 数据集与 ImageNet 数据集之间的数据量比例达到 1:4。

YOLO9000 的训练基于 YOLO v2 的构架,但是使用 3 priors 而不是 5 来限制输出的大小。当网络遇到检测数据集中的图片时则正常地反方向传播,当遇到分类数据集图片的时候,只使用分类的 loss 功能进行反向传播。同时作者假设 IOU 最少为 0.3。最后根据这些假设进行反向传播。

使用联合训练法,YOLO9000 使用 COCO 检测数据集学习检测图片中的物体的位置,使用 ImageNet 分类数据集学习如何对大量的类别中进行分类。 

为了评估这一方法,使用 ImageNet Detection Task 对训练结果进行评估。 

评估结果: 

YOLO9000 取得 19.7 mAP。 在未学习过的 156 个分类数据上进行测试, mAP 达到 16.0。

YOLO9000 的 mAP 比 DPM 高,而且 YOLO 有更多先进的特征,YOLO9000 是用部分监督的方式在不同训练集上进行训练,同时还能检测 9000个物体类别,并保证实时运行。

虽然 YOLO9000 对动物的识别性能很好,但是对类别为“sungalsses”或者“swimming trunks”这些衣服或者装备的类别,它的识别性能不是很好,见 table 7。这跟数据集的数据组成有很大关系。

▌总结

YOLO v2 代表着目前最先进物体检测的水平,在多种监测数据集中都要快过其他检测系统,并可以在速度与精确度上进行权衡。

YOLO 9000 的网络结构允许实时地检测超过9000种物体分类,这归功于它能同时优化检测与分类功能。使用 WordTree 来混合来自不同的资源的训练数据,并使用联合优化技术同时在 ImageNet 和 COCO 数据集上进行训练,YOLO9000 进一步缩小了监测数据集与识别数据集之间的大小代沟。

YOLOv3

YOLOv3 在 Pascal Titan X 上处理 608x608 图像速度可以达到 20FPS,在 COCO test-dev 上 mAP@0.5 达到 57.9%,与RetinaNet(FocalLoss论文所提出的单阶段网络)的结果相近,并且速度快 4 倍.

YOLO v3 的模型比之前的模型复杂了不少,可以通过改变模型结构的大小来权衡速度与精度。

速度对比如下:

YOLOv3 在实现相同准确度下要显著地比其它检测方法快。时间都是在采用 M40 或 Titan X 等相同 GPU 下测量的。

简而言之,YOLOv3 的先验检测(Prior detection)系统将分类器或定位器重新用于执行检测任务。他们将模型应用于图像的多个位置和尺度。而那些评分较高的区域就可以视为检测结果。此外,相对于其它目标检测方法,我们使用了完全不同的方法。我们将一个单神经网络应用于整张图像,该网络将图像划分为不同的区域,因而预测每一块区域的边界框和概率,这些边界框会通过预测的概率加权。我们的模型相比于基于分类器的系统有一些优势。它在测试时会查看整个图像,所以它的预测利用了图像中的全局信息。与需要数千张单一目标图像的 R-CNN 不同,它通过单一网络评估进行预测。这令 YOLOv3 非常快,一般它比 R-CNN 快 1000 倍、比 Fast R-CNN 快 100 倍。

改进之处:

1.多尺度预测 (类FPN)

2.更好的基础分类网络(类ResNet)和分类器 darknet-53,见下图

3.分类器-类别预测:

YOLOv3 不使用 Softmax 对每个框进行分类,主要考虑因素有两个:

a.Softmax 使得每个框分配一个类别(得分最高的一个),而对于 Open Images这种数据集,目标可能有重叠的类别标签,因此 Softmax不适用于多标签分类。

b.Softmax 可被独立的多个 logistic 分类器替代,且准确率不会下降。

c.分类损失采用 binary cross-entropy loss.

多尺度预测

每种尺度预测 3 个 box, anchor 的设计方式仍然使用聚类,得到9个聚类中心,将其按照大小均分给 3 个尺度。

尺度1: 在基础网络之后添加一些卷积层再输出box信息。

尺度2: 从尺度1中的倒数第二层的卷积层上采样(x2)再与最后一个 16x16 大小的特征图相加,再次通过多个卷积后输出 box 信息,相比尺度1变大两倍.

尺度3: 与尺度2类似,使用了 32x32 大小的特征图

基础网络 Darknet-53

darknet-53 与 ResNet-101 或 ResNet-152 准确率接近,但速度更快,对比如下:

检测结构如下:

YOLOv3 在 mAP@0.5 及小目标 APs 上具有不错的结果,但随着 IOU的增大,性能下降,说明 YOLOv3 不能很好地与 ground truth 切合.

原文标题:从YOLOv1到YOLOv3,目标检测的进化之路

文章出处:【微信号:rgznai100,微信公众号:AI科技大本营】欢迎添加关注!文章转载请注明出处。

收藏 人收藏
分享:

评论

相关推荐

C语言基础 之 第6章 函数

1 main函数回顾2 自定义函数1 之 函数定义3 自定义函数2 之 函数调用4 自定义函数3 之 传参和返回值5 使
发表于 12-09 00:00 2955次 阅读
C语言基础 之 第6章 函数

如何读取包含16位子地址的I2C

嗨,伙计们, 我有一个奇怪的问题,这使我发疯了! 我已经创建了一个函数,它能够读取包含16位子地址的I2C。 在我的情况,我...
发表于 07-16 11:36 30次 阅读
如何读取包含16位子地址的I2C

如何发送和接收9位值?

嗨,我有几个问题关于使用UART驱动程序在和谐V1.08:1)我如何发送和接收9位值?我只能找到DRV_USART_WriteByte(....
发表于 07-16 11:08 6次 阅读
如何发送和接收9位值?

Sysbios中出现的异常提示该如何解决?

[tr]我试着写了sysbios中的几个任务和2个中断,upp和spi,但是用到了cslr库和StarterWare里面的库(根据历程写的),创建任务和中...
发表于 07-16 10:32 4次 阅读
Sysbios中出现的异常提示该如何解决?

为什么我用PIC24FJ64GA306读什么模拟输入总是得到AN4的数据?

我用的是PIC24FJ64GA306,有两个模拟输入:4和10。无论我尝试读什么模拟输入,我总是得到AN4的数据。最后参见附带的文件...
发表于 07-16 08:29 9次 阅读
为什么我用PIC24FJ64GA306读什么模拟输入总是得到AN4的数据?

如何有效的利用LCD_Set_Window函数?

LCD_Set_Window函数,用于设置窗口,对快速填充,比较有用 上面这句话是在ILI93xx.C这个文件上面的。不知道在快速填充的时...
发表于 07-16 04:35 9次 阅读
如何有效的利用LCD_Set_Window函数?

为什么LWIP+ENC60J在回调函数中发数据发送变量多了不行但常量再多也可以?

原子哥: LWIP+ENC60J+STM32(MINI)V3.0 发送回调函数中,发送变量多了不行,常量再多也可以,在论坛中都没发现...
发表于 07-16 04:35 4次 阅读
为什么LWIP+ENC60J在回调函数中发数据发送变量多了不行但常量再多也可以?

USMART V2.4组建代码分享!

日趋完美.2.4组建代码发布.修改2.3的几个bug. //V2.4 20110905 //1,修改了usmart_get_cmdname函数,增加最大参数长度限制.避免...
发表于 07-16 04:35 6次 阅读
USMART V2.4组建代码分享!

如何正确地设置指向函数的指针

嗨,我正在使用CAN库,我需要把RxBuffer传递给一个函数。代码编译得很好,但是PIC总是重新启动,这里是我使用的代码。这...
发表于 07-15 13:34 11次 阅读
如何正确地设置指向函数的指针

如何使用labview函数发布流程列表

大家好,我想用81940A TLS(内部8163B)和外部探测器自动进行扫描测量。 我已经在Labview中使用了扫描功能,但现在我必须...
发表于 07-15 10:09 35次 阅读
如何使用labview函数发布流程列表

似然与似然函数之间的区别分析

似然与似然函数
发表于 07-15 07:25 8次 阅读
似然与似然函数之间的区别分析

嵌入式C语言的小技巧能够减少不少代码量

为了写出适应性更广的C语言程序,程序员考虑问题时应面面俱到。例如,在C语言程序中调用 open() ....
发表于 07-14 11:03 97次 阅读
嵌入式C语言的小技巧能够减少不少代码量

端到端的自动驾驶研发系统介绍

Nvidia是比较早做端到端控制车辆工作的公司,其方法训练CNN模型完成从单个前向摄像头的图像像素到....
的头像 AI科技大本营 发表于 07-13 09:30 361次 阅读
端到端的自动驾驶研发系统介绍

基于下界函数的最优化这样一种优化思路

在有些情况下,我们知道目标函数的表达形式,但因为目标函数形式复杂不方便对变量直接求导。这个时候可以尝....
的头像 AI科技大本营 发表于 07-13 08:09 126次 阅读
基于下界函数的最优化这样一种优化思路

太秀了!DeepMind推出最强表示学习模型BigBiGAN

研究人员广泛评估了BigBiGAN模型的表示学习和生成性能,证明这些基于生成的模型在ImageNet....
的头像 新智元 发表于 07-13 08:01 213次 阅读
太秀了!DeepMind推出最强表示学习模型BigBiGAN

Google AI最新研究用无监督数据增强推进半监督学习,取得令人瞩目的成果

谷歌的结果促进了半监督学习的复兴,而且还发现3点有趣的现象:(1)SSL可以匹配甚至优于使用数量级更....
的头像 新智元 发表于 07-13 07:31 204次 阅读
Google AI最新研究用无监督数据增强推进半监督学习,取得令人瞩目的成果

MATLAB教程之经典MATLAB文件操作的详细资料说明

本文档的有内容详细介绍的是MATLAB教程之经典的MATLAB文件操作详细资料说明包括了:1 文件的....
发表于 07-11 16:14 25次 阅读
MATLAB教程之经典MATLAB文件操作的详细资料说明

C语言深度解剖PDF版电子书免费下载

 我遇到过很多程序员和计算机系毕业的学生,也给很多程序员和计算机系毕业的学生讲解过《高级 C 语言程....
发表于 07-10 08:00 37次 阅读
C语言深度解剖PDF版电子书免费下载

Excel函数教程资料免费下载

Excel是办公室自动化中非常重要的一款软件,很多巨型国际企业都是依靠Excel进行数据管理。它不仅....
发表于 07-08 08:00 44次 阅读
Excel函数教程资料免费下载

C程序设计语言第二版新版PDF电子书免费下载

《C程序设计语言》是由C语言的设计者Dennis M. Ritchie和著名计算机科学家Brian ....
发表于 07-08 08:00 76次 阅读
C程序设计语言第二版新版PDF电子书免费下载

麻省理工学院和IBM的团队推出“GANpaint Studio”自动生成逼真的摄影图像

麻省理工学院和IBM的团队推出“GANpaint Studio”,允许用户上传任何照片,然后对照片进....
的头像 新智元 发表于 07-07 07:36 449次 阅读
麻省理工学院和IBM的团队推出“GANpaint Studio”自动生成逼真的摄影图像

京都大学研究人员借助应力控制实现无墨彩色印刷

据报道,日本京都大学的一个研究小组开发了一种新方法,他们利用光学驻波设计,控制和组织了塑料薄膜内的应....
的头像 CINNO 发表于 07-01 11:06 365次 阅读
京都大学研究人员借助应力控制实现无墨彩色印刷

图像和语音技术落地难题如何突围?六位大咖观点交锋

2019年,人工智能火了。其重要表现:人工智能在消费终端和商用终端的应用将不断加强。IDC报告显示,....
的头像 渔翁先生 发表于 06-29 18:20 3320次 阅读
图像和语音技术落地难题如何突围?六位大咖观点交锋

DeepMind最新研究通过函数正则化解决灾难性遗忘

近年来,人们对持续学习(也称为终身学习)的兴趣再度兴起,这是指以在线方式从可能与不断增加的任务相关的....
的头像 新智元 发表于 06-29 07:53 415次 阅读
DeepMind最新研究通过函数正则化解决灾难性遗忘

一款最新推出的语言:V

函数可以在声明之前使用:add和sub在main之后声明,但仍然可以从main调用。对于V中的所有声....
的头像 新智元 发表于 06-29 07:47 650次 阅读
一款最新推出的语言:V

MATLAB的三十二个图形应用实例程序免费下载

本文档的主要内容详细介绍的是MATLAB的三十二个图形应用实例程序免费下载包括了:实例1:三角函数曲....
发表于 06-28 15:37 50次 阅读
MATLAB的三十二个图形应用实例程序免费下载

Sallen和Key过滤器电路分压器及函数方程案例

Sallen-Key Filter拓扑用作构建块以实现更高阶的有源滤波器,Sallen和Key拓扑是....
的头像 模拟对话 发表于 06-27 11:19 149次 阅读
Sallen和Key过滤器电路分压器及函数方程案例

状态变量过滤器电路运算公式和函数频率案例及设计深度摘要

该状态变量滤波器二阶RC有源滤波器由两个相同的运算放大器积分器组成,每个积分器用作一阶单极点低通滤波....
的头像 模拟对话 发表于 06-27 09:30 164次 阅读
状态变量过滤器电路运算公式和函数频率案例及设计深度摘要

python标准库详细电子书资料免费下载

本文档的主要内容详细介绍的是python标准库详细电子书资料免费下载包括了:1. 核心模块 ,2. ....
发表于 06-27 08:00 54次 阅读
python标准库详细电子书资料免费下载

labview教程之调整控件和函数面板的首选项的详细资料说明

LabVIEW 在 8.0 版对控件和函数面板作了一次较大调整。LabVIEW 功能越来越强大,控件....
发表于 06-26 16:56 41次 阅读
labview教程之调整控件和函数面板的首选项的详细资料说明

AI是如何忘记一张脸的

我们都会遗忘,但是遗忘的过程是什么样子的?从一闭眼就能浮现的那张清晰的脸庞到那一团模糊不清的影子,是....
的头像 大数据文摘 发表于 06-23 10:26 501次 阅读
AI是如何忘记一张脸的

李飞飞等人ICLR2019论文构建人类眼睛感知评估(HYPE),带给你新的认知

我们在ImageNet 的和CIFAR-10数据集上对HYPE 的性能进行了测试。当产生CIFAR-....
的头像 新智元 发表于 06-23 10:08 413次 阅读
李飞飞等人ICLR2019论文构建人类眼睛感知评估(HYPE),带给你新的认知

逻辑AND函数的切换表示和功能真值表

逻辑与功能输出仅在其所有输入均为真时才为真,否则输出为假,在1854年,乔治布尔对基于简化版“群”或....
的头像 模拟对话 发表于 06-23 09:50 323次 阅读
逻辑AND函数的切换表示和功能真值表

英伟达GauGAN开放测试,人人当画家!

从GaoGAN的测试界面来看,与之前英伟达放出的Demo和视频介绍中几乎完全一样。只需要首先点击屏幕....
的头像 新智元 发表于 06-23 08:35 663次 阅读
英伟达GauGAN开放测试,人人当画家!

CVPR 2019竞赛第一解决方案分享

Cassava Disease Classification挑战赛是一个根据木薯的叶子区分不同种类的....
的头像 新智元 发表于 06-23 07:58 558次 阅读
CVPR 2019竞赛第一解决方案分享

MSP430单片机库中部分函数的资料总结免费下载

本文档的主要内容详细介绍的是MSP430库中部分函数的资料总结免费下载
发表于 06-19 17:16 81次 阅读
MSP430单片机库中部分函数的资料总结免费下载

uCOS信号量源码的详细资料分析

本文档的主要内容详细介绍的是uCOS信号量源码的详细资料分析。 信号量相关的函数 创建一个信号量....
发表于 06-17 17:38 49次 阅读
uCOS信号量源码的详细资料分析

利用线程制作简单定时器

其实.net有为我们准备专门的Timer定时器,功能也能满足大部分的需求,只是有时候可能我们只需要一....
发表于 06-17 11:31 104次 阅读
利用线程制作简单定时器

科技是把双刃剑:令人担心的事情还是发生了

据称,凯蒂·琼斯(Katie Jones)在一个高级智库工作, 与政治专家和政府内部人士联系在一起。....
的头像 新智元 发表于 06-15 09:11 1098次 阅读
科技是把双刃剑:令人担心的事情还是发生了

如何使用Matlab进行船舶静水力性能数值计算的资料说明

本文提出一种基于Matlab的船舶静水力性能数值计算方法, 该方法完全独立于传统的表格算法, 方便快....
发表于 06-14 16:39 55次 阅读
如何使用Matlab进行船舶静水力性能数值计算的资料说明

Matlab的简介和使用及Matlab与数值分析相关内容说明

Matlab软件是一个功能非常强大的数学软件。 包括:科学计算、符号计算、图形处理等功能。 Mat....
发表于 06-13 16:24 40次 阅读
Matlab的简介和使用及Matlab与数值分析相关内容说明

Abaqus和python学习入门体会资料免费下载

自己的论文要用到有限元进行数值模拟分析,以前都用ansys计算,可ansys中岩土的本构模型只有D-....
发表于 06-12 15:29 48次 阅读
Abaqus和python学习入门体会资料免费下载

为什么要用稀疏自编码器

为了实现这一限制,我们将会在我们的优化目标函数中加入一个额外的惩罚因子,而这一惩罚因子将惩罚那些ρˆ....
发表于 06-11 16:28 197次 阅读
为什么要用稀疏自编码器

机器视觉中图像前置知识颜色模型的分类与应用

RGB颜色模型(也叫红、绿、蓝三原色模型或者加色混色模型):将红、绿、蓝3种不同颜色,根据亮度配比的....
的头像 新机器视觉 发表于 06-11 09:02 378次 阅读
机器视觉中图像前置知识颜色模型的分类与应用

Arduino程序设计基础PDF电子书免费下载

Arduino不仅仅是全球最流行的开源硬件,也是一个优秀的硬件开发平台,更是硬件开发的趋势。Ardu....
发表于 06-10 08:00 195次 阅读
Arduino程序设计基础PDF电子书免费下载

一个名为CompenNet的卷积神经网络来隐含地学习复杂的补偿函数

理论上,投影仪补偿过程是一个非常复杂的非线性函数,涉及相机和投影仪传感器的辐射响应,镜头失真/渐晕,....
的头像 AI科技大本营 发表于 06-07 16:46 1229次 阅读
一个名为CompenNet的卷积神经网络来隐含地学习复杂的补偿函数

MSP430单片机函数延时的问题分析

网上普遍的用法是: #define CPU_CLOCK 8000000 #define ....
发表于 06-05 15:23 107次 阅读
MSP430单片机函数延时的问题分析

分形插值算法的详细资料说明

本文档的主要内容详细介绍的是分形插值算法的详细资料说明包括了:1.插值,2.随机中点位移法生成山,3....
发表于 06-05 08:00 68次 阅读
分形插值算法的详细资料说明

C和指针PDF电子书免费下载

本书提供与C语言编程相关的全面资源和深入讨论。本书通过对指针的基础知识和高级特性的探讨,帮助程序员把....
发表于 06-05 08:00 57次 阅读
C和指针PDF电子书免费下载

信号的分解详细资料说明

为了便于研究信号的传输和处理问题,往往将信号分解为一些简单(基本)的信号之和,分解角度不同,可以分解....
发表于 06-05 08:00 84次 阅读
信号的分解详细资料说明

LCD1602的应用函数C语言免费下载

本文档的主要内容详细介绍的是LCD1602的应用函数C语言免费下载。
发表于 06-04 16:02 65次 阅读
LCD1602的应用函数C语言免费下载

C语言编程的经典练习题资料免费下载

本文档的主要内容详细介绍的是C语言编程的经典练习题资料免费下载。
发表于 06-04 08:00 58次 阅读
C语言编程的经典练习题资料免费下载

一款入门神器TensorFlowPlayground

Problem type 问题类型(在这里我们要解决的是一个二分类问题,简单解释一下分类问题是指,给....
的头像 电子发烧友网工程师 发表于 06-03 11:03 456次 阅读
一款入门神器TensorFlowPlayground

使用单片机进行LCD1602读写驱动函数的例程免费下载

本文档的主要内容详细介绍的是使用单片机进行LCD1602读写驱动函数的例程免费下载。
发表于 06-03 08:00 53次 阅读
使用单片机进行LCD1602读写驱动函数的例程免费下载

C语言入门教程之C语言其实很简单的PPT课件资料免费下载

本文档的主要内容详细介绍的是C语言入门教程之C语言其实很简单的PPT课件资料免费下载包括了:概述,数....
发表于 06-03 08:00 51次 阅读
C语言入门教程之C语言其实很简单的PPT课件资料免费下载

关于图像梯度的基本原理

当用均值滤波器降低图像噪声的时候,会带来图像模糊的副作用。我们当然希望看到的是清晰图像。那么,清晰图....
的头像 Imagination Tech 发表于 05-31 16:31 374次 阅读
关于图像梯度的基本原理

可靠的数据协议RFC908资料免费下载

可靠数据协议(RDP)旨在为基于数据包的应用程序(如远程加载和调试)提供可靠的数据传输服务。该协议旨....
发表于 05-31 08:00 68次 阅读
可靠的数据协议RFC908资料免费下载

MATLAB的图形功能详细资料说明

本文档的主要内容详细介绍的是MATLAB的图形功能详细资料说明。 MATLAB的应用 MATLA....
发表于 05-29 16:51 73次 阅读
MATLAB的图形功能详细资料说明

模数转换器ADC的应用和函数定义等资料说明

本文档的主要内容详细介绍的是模数转换器ADC的应用和函数定义等资料说明。
发表于 05-28 17:29 100次 阅读
模数转换器ADC的应用和函数定义等资料说明

导波的分类及各类导波的特性的详细资料说明

本文档的主要内容详细介绍的是导波的分类及各类导波的特性的详细资料说明主要内容包括了:1.导波的分类,....
发表于 05-28 08:00 77次 阅读
导波的分类及各类导波的特性的详细资料说明

数学软件Mathematica入门PDF电子教程免费下载

Mathematica是一个非常庞大和看似很复杂的系统。它包含了几百个可在科学、数学和工程中执行各种....
发表于 05-27 08:00 79次 阅读
数学软件Mathematica入门PDF电子教程免费下载