总结一下高斯混合模型的处理步骤：1. 创建一个高斯混合模型分类器（创建训练对象）例如：create_class_gmm(3, 5, 1, 'full', 'none', 3, 42, GMMHandle)意指：在3维图形中，创建一个用查找5种类级的高斯混合模型2. 将类级的图形区
强大的Halcon的分类器有三种MLP、SVM、GMM，在这里为大家详细介绍GMM，原理的东西自己百度吧，这里主要讲GMM库怎么用，希望对大家有用creat_class_gmm();含义：创建高斯混合模型；输入参数： NumDim：几个特征；NumClasses:样本分类个数；NumCenters:类中心的个数；CovarType:协方差矩阵（'Spherical','diag','full'）Preprocessing:预处理是否使用
(一）Wrong number of values of control parameter 2(HALCON错误代码:1402)这种错误发生算子add_sample_class_mlp中。其原因是你现在的图片计算出来的FeatureVector和之前添加的FeatureVector大小不一致。这是因为训练图片的尺寸大小不致造成的。如下图所示，哪怕是你的图像大小差一行像素，也会造成FeatureVector的大小不同。当然，这也要看你的FeatureVector的算法产生的数据是什么样了。也许有
灰度共生矩阵灰度共生矩阵定义为像素对的联合分布概率，是一个对称矩阵，它不仅反映图像灰度在相邻的方向、相邻间隔、变化幅度的综合信息，但也反映了相同的灰度级像素之间的位置分布特征，是计算纹理特征的基础。设f(x,y)为一幅数字图像，其大小为M×N，灰度级别为Ng，则满足一定空间关系的灰度共生矩阵为：其中#(x)表示集合x中的元素个数，显然P为Ng×Ng的矩阵，若(x1,y1)与(x2,y2)间距离为d,两者与坐标横轴的夹角为θ，则可以得到各种间距及角度的灰度共生矩阵(i,j,d,θ)。其中元素(i,
模型说明图a）代表的是标准的CNN结构图b）代表的是带孔卷积dilated convolutions图c）代表的是RefineNet的思路每一个小模块是一个RefineNet融合了不同尺度下的RefineNet结果最终upsample到原图的1/4大小每一个RefineNet是多个残差模块作为输入RefineNet-4的filter个数为512其他残差模块的filter个数为256每一个基础模型中的输出，进行两次残差计算RCU模块每一个RCU输出结果，都经过Multi-resolution Fu
随着Halcon新版本的更新，截止2019年5月1号。Halcon的最新版本为halcon18.11.这次新版本最大的更新在于完整的加入了深度学习在视觉应用的三个重要部分，即目标分类分类、目标检测、语义分割这三个内容。与此同时超人视觉即将向大家简介Halcon软件这三个方向的应用示例，帮助大家进一步认识到机器视觉的魅力与当前的机器视觉技术的应用前沿。在开始内容前我们先明确一下前面提到的三个重要概念即深度学习下的分类，目标检测、语义分割这三个方向具体的概念及其应用场景是什么？帮助大家理解其技术的产
1 预处理1.1 读取预训练网络用read_dl_classifier方法读取一个预训练网络，其中Halcon提供的预训练网络有："pretrained_dl_classifier_compact.hdl"和"pretrained_dl_classifier_enhanced.hdl"。1.2 读取数据集指定数据集路径，用read_dl_classifier_data_set方法获取带有标签的原始数据集。1.3 数据集预处理预处理是一个成功分类器的重要组成
halcon的深度学习只做3件事，即“分类”，“对象检测”，“分割”。下面是“对象检测”的例子。这个例子是检测香烟的品牌。下图是训练完成后实际检测的效果。训练时注意下面几个问题：（一）图像宽高要求：1.图像宽高需是64的整数倍；2.最好在图像标注之前，就对图像缩放或裁剪至合适宽高；3.如果已在不符合要求的图像上完成标注，那么需要把图像扩充至合适宽高；避免单纯对图像进行缩放或裁剪，导致图像与标注坐标不一致影响标注准确性；（二）深度学习对gpu的要求深度学习在训练阶段需要使用gpu，推理阶段可以使用
深度学习是一个对算力要求很高的领域，GPU的选择将从根本上决定你的深度学习体验。如果没有GPU，可能你完成整个实验需要几个月，甚至当你只想看看参数调整、模型修改后的效果时，那可能也得耗费1天或更久的时间。凭借性能良好、稳定的GPU，人们可以快速迭代深层神经网络的架构设计和参数，把原本完成实验所需的几个月压缩到几天，或是把几天压缩到几小时，把几小时压缩到几分钟。因此，在选购GPU时做出正确选择至关重要。下面是华盛顿大学博士Tim Dettmers结合竞赛经验给出的GPU选择建议，有需要的读者可把它
对于监督学习算法而言，数据决定了任务的上限，而算法只是在不断逼近这个上限。世界上最遥远的距离就是我们用同一个模型，但是却有不同的任务。但是数据标注是个耗时耗力的工作，下面介绍几个图像标注工具：LabelmeLabelme适用于图像分割任务的数据集制作：它来自下面的项目：https://github.com/wkentaro/labelme该软件实现了最基本的分割数据标注工作，在save后将保持Object的一些信息到一个json文件中，如下：https://github.com/wkentaro