14_神经网络_感知器介绍

经过上一节的内容我们了解到,神经网络是如何做出决定的:获取输入信息,对输入信息进行加工,输出最终结果。本节将更进一步了解这个数据加工的过程。数据,例如上一节的test和grades会被输入到神经网络的互相连接的节点中。这些单个节点被称为感知器或人工神经节点。每一个节点观察它的输入数据并决定该作何分类。

阅读更多

13_神经网络_初识神经网络

我们接着上一章节的录取问题出发,根据我们进行逻辑回归的结果,我们画了一条直线,直线上方的成绩的学生都被录取了,但是这在现实生活中是有问题的。例如某学生成绩为Test:9,Grades:1,这样是不应该录取的,因为毕业成绩过低。,那我们怎么去完善我们的模型呢?本节将通过完善这一模型认识什么叫神经网络。

阅读更多

12_神经网络–逻辑回归Logistic Regression问题

逻辑回归(Logistic Regression)是一种用于解决二分类(0 or 1)问题的机器学习方法,用于估计某种事物的可能性。比如某用户购买某商品的可能性,某病人患有某种疾病的可能性,以及某广告被用户点击的可能性等。 注意,这里用的是“可能性”,而非数学上的“概率”,logisitc回归的结果并非数学定义中的概率值,不可以直接当做概率值来用。该结果往往用于和其他特征值加权求和,而非直接相乘。
本文将从一个简单的入学录取问题解释逻辑回归

阅读更多

【转载】11_神经网络–线性回归与分类, 解决与区别

机器学习可以解决很多问题,其中最为重要的两个是 回归与分类。 这两个问题怎么解决, 它们之间又有什么区别呢? 以下举几个简单的例子,以给大家一个概念

1. 线性回归

回归分析常用于分析两个变量X和Y 之间的关系。 比如 X=房子大小 和 Y=房价 之间的关系, X=(公园人流量,公园门票票价) 与 Y=(公园收入) 之间的关系等等。

阅读更多

07_车道线识别–从视频中提取车道线

本节是车道线识别系列的最后一个考验,之前我们的测试都是基于单张图片的,而现实生活中我们的车获取到的其实是视频流,也就是很多图片的合集。本节我们采用之前章节的知识,从视频中提取车道线并且标注在视频中。

阅读更多

06_车道线识别–Hough变换实践

之前我们讲解了Canny边沿检测与Hough变换的原理。现在我们用Python+opencv实现Canny边沿检测,使用Hough变换将边沿检测结果标记为线条,再使用之前讲过的有效区域选取的办法将车道线用红色标记出来,Let’s Go!

阅读更多

05_车道线识别–Hough变换基础

前面的章节中我们在图像上画出了符合阈值的点,看起来已经覆盖了我们所需要的车道线,然而在处理时仍然是不够的,因为它们是离散的点,而我们真正的目标是确认我们获取到的这些离散的点是否是在一条线上,即我们所关心的车道线。本文我们将介绍Hough变换的基本原理以及引申出的一些知识点。

阅读更多

04_车道线识别–计算机视觉基础知识与Canny 算法

车道线检测已经完成了吗?

前几个章节我们最终在图像上画出了车道线,那我们对车道线的检测工作就算完成了吗?是否可以用在实车上测试了呢?答案当然是否定的,由于现实世界中存在很多不确定性,例如光照变化,车道线颜色变化,我们采用的固定颜色阈值来检测车道线的办法在很多场景下不可用,我们需要更多的方法来检测,这是属于计算机视觉的范畴。
阅读更多

03_车道线识别–合并有效区域与色彩识别

合并有效区域与色彩识别

前两个章节我们选出了车道线的色彩,也选出了车道线关注的有效区域,本文将两者合并,具体看代码:

阅读更多

02_车道线识别–选取有效区域

什么有效区域?

设想自动驾驶的摄像头固定在车辆前端,拍摄到的图像是固定大小的,例如:960*540;但是感兴趣的车道线不是分布在整个图像中的,而是正前方一小段区域。如果为了提取车道线,对整个图像都进行处理,一是加剧了计算单元的负担,二是没有任何收益。所以我们要让计算机只处理“有效的区域”

阅读更多