切换马甲
上一页
下一页
分类专栏
-
242篇
默认分类
文章数:242
文章总阅读量:221.8w
文章总收藏量:1.3k
文章总点赞量:2.2w
按发布时间
按阅读量
按点赞量
-
ffmpeg(九)MP4/MP3解封装 前言 解封装包括很多层步骤,包括协议的解析,封装格式的解析。ffmpeg中,本地文件当做file://协议来解析,远程文件采用的传输协议有http(s),rtsp等等。封装格式比如MP4,MOV,TS,MPEG等等。对于ffmpeg来说,只需要调用一个借口函数即可完成解封装的所有步骤,非常简单 解封装相关流程 解封装相关函数介绍 1、AVFormatCo2021-04-27 16:32:4996 4 4768
-
前言 ffmpeg实现了软件解码,以及导入libx264等外部库实现软编码。同时它还对各个平台的硬编解码也进行了封装,提供了统一的调用接口。本文目的就是通过实现硬遍解码h264了解这些流程和接口 视频硬解码相关流程 视频硬编码相关流程 视频硬编解码相关函数及结构体 1、AVCodecContext 编解码结构体上下文, 对于硬解码,则需要设置如下两个变量 -get_format:此函数用于获取2021-04-27 16:33:2293 8 4264
-
ffmpeg(十一)aac和h264软解码 前言 音视频解码是一个很常用的需求场景,同时它也是一个非常耗时的过程。压缩的音视频数据aac音频流,h264视频流等等,常常需要先解码为未压缩数据才能进行播放,ffmpeg为音视频的软解码提供了统一的接口,使用起来非常方便。 软解码相关流程 软解码相关函数 AVPacket结构体 该结构体用于存储压缩的音频或者视频 对应初始化函数和释放函数 av_2021-04-27 16:33:5495 7 5058
-
Node-RED系列文章目前已经写了17篇,介绍了Node-RED的安装以及默认安装的一些基本节点的使用,作为物联网的一个可视化拖动的流程,Node-RED的确实很容易上手。还没开始学习的同学可以先看下我以前的文章。 Node-RED教程(一):Node-RED的介绍与安装 Node-RED教程(二):Node-RED的面板的操作 Node-RED教程(三):Node-RED公共节点的2021-04-28 15:04:4295 8 13042
-
【深度学习】一个应用—肝脏CT图像自动分割(术前评估) 文章目录 1 目标 2 数据集 3 LITS2017 3.1 LiTS数据的预处理 3.2 LiTS数据的读取 3.3 数据增强 3.4 数据存储 4 U-Net3d搭建 5 结果 1 目标 分割出CT腹部图像的肝脏区域。 2 数据集 肝脏和肿瘤分割数据集下载链接 LiTS2017:https://compet2021-04-28 16:21:5297 4 14428
-
文章目录 1 颜色翻转 2 背景 3 U-Net网络 4 Modified U-Net (mU-Net) 5 数据集 6 数据处理及增强 7 结果 8 基于深度学习的图像分割总结 1 颜色翻转 原数据集中的标准肝脏和白色的肿瘤, 肝脏分割的图片,发现做窗口值等的操作,也是将非目标区域变黑,然后可以突出肝脏(肝脏变成灰白色,当然,还有其他qiguan更是白色)。 于是,我做了一个大胆的实验,将肝脏2021-04-29 12:46:5096 6 6746
-
文章目录 1 概念辨析—下采样和上采样 2 Squeeze-and-Excitation (SE) 3 压缩(Squeeze) 4 激励(Excitation) 5 scale操作 6 相乘特征融合 7 SE模块的实现 8 优势 1 概念辨析—下采样和上采样 概念 上采样(upsampling):又名放大图像、图像插值; 主要目的是放大原图像,从而可以显示在更高分辨率的显示设备上; 上采样有3种常2021-04-30 09:29:1493 9 53745
-
【深度学习】眼底图像的视杯和视盘分割解析 文章目录 1 背景 2 概念 2.1 视盘 2.2 视杯 3 数据 4 医学图像分割-Attention Unet 5 注意力机制到底是什么-资源分配给更重要的特征(任务) 6 对比 7 代码 1 背景 眼睛是人类视觉感知的重要qiguan,外界光线通过人眼神经细胞形成视觉信号并传输至大脑。眼球主要包括巩膜(眼白)、虹膜、角膜、晶状体、脉络2021-05-04 20:16:0393 4 13126
-
【深度学习】眼底图像之视盘和黄斑分割的探索 文章目录 1 Optic Disc 数据集 1.1 ORIGA-650 1.2 Messidor 1.3 RIM-ONE 1.4 DRION-DB 2 Multiscale sequential convolutional neural networks for simultaneous detection of fove2021-05-04 20:17:1093 7 5977
-
【深度学习】nnU-Net(优秀的前处理和后处理框架) 1 概述 2 网络结构 3 training部分 3.1 nnUNetTrainer(版本一的训练方法) 3.2 nnUNetTrainerV2(版本二的训练方法) 4 前处理 5 自适应生成网络结构 6 模型选择 7 训练 8 后处理 9 推理 10 总结 1 概述 nnUnet虽然不是新的论文,但是这个框架效果很好。它并2021-05-04 20:18:4995 4 26143
-
【深度学习】讲一个深度分离卷积结构和空洞卷积的应用 文章目录 前言:看一张图像 1 概述 1.1 正常卷积 1.2 Depth可分离卷积 2 深度可分离卷积的优点 3 空洞(扩张)卷积(Dilated/Atrous Convolution) 4 构建模型 5 U-Net网络更换空洞卷积 前言:看一张图像 shape: (480, 512, 3) (480, 512) (480,2021-05-04 20:20:0791 3 10867
-
【深度学习】像素级分割网络新思路之DeepLabv3+ 1 版本情况 2 引言&相关工作 3 空洞卷积(Dilated/Atrous Convolution) 4 DeepLabv3+ 5 深度可分离卷积(Depthwise separable convolution) 5.1 逐通道卷积(Depthwise Convolution) 5.2 逐点卷积(Pointwise2021-05-04 20:20:5292 7 4662
-
背景 最近在echarts官方看到了一个航班选座的示例,感觉很好,可以扩大,缩小,鼠标放置到座位上可以显示座位号,允许默认选中座位。于是在5.1假期抽了一点点时间,来写一篇文章,深入研究分析一下这个示例,解析一下这个示例的完整代码。首先让我们来看下示例的效果图。 实现思路 代码是使用echarts来实现的,主要用到的是svg和自定义地图的相关知识。 示例的完整代码 在做选座的功能,我们使用di2021-05-06 10:21:2693 7 6089
-
【深度学习】利用深度可分离卷积减小计算量及提升网络性能 文章目录 1 深度可分离卷积 2 一个深度可分离卷积层的代码示例(keras) 3 优势与创新 3.1 Depthwise 过程 3.2 Pointwise 过程 4 Mobilenet v1 5 Xception 1 深度可分离卷积 深度可分离卷积提出了一种新的思路:对于不同的输入channel采取不同的卷积核进行卷积,它将2021-05-06 12:40:0494 5 5538
-
【深度学习】生动分析半监督学习与负相关学习算法 文章目录 1 半监督学习 1.1 定义 1.2 半监督深度学习 1.3 GAN 1.4 应用 2 深度负相关学习算法 2.1 负相关 2.2 通俗解释 1 半监督学习 1.1 定义 目前知道最科学的定义是来自《Introduction to Semi-supervised Learning》,这里只给2021-05-06 12:40:3894 4 6598
-
物联网网关神器 Kong ( 三 ) - 图形化管理界面 Konga 前言 上文我们我们讲了 Kong 的安装和利用 Kong 的 HTTP/REST API 来进行配置。但总是使用 CURL 命令去调用 HTTP 接口来进行配置却又太过复杂。 读到这,不知道你是否和我有一样的想法: 可以开发一个图形化管理界面,通过调用接口来实现简便操作的功能。 Konga 就帮我们来实现了这个功能,通过搭建2021-05-08 15:03:4993 6 4074
-
【深度学习】谷歌大脑EfficientNet的工作原理解析 文章目录 1 知识点准备 1.1 卷积后通道数目是怎么变多的 1.2 EfficientNet 2 结构 2.1 方式 2.2 MBConv卷积块 2.3 模型的规模和训练方式 3 对比 4 MBConv结构 1 知识点准备 1.1 卷积后通道数目是怎么变多的 为什么out_channel会大于in2021-05-08 15:04:3693 5 4902
-
【深度学习】U-Net 网络分割多分类医学图像解析 文章目录 【深度学习】U-Net 网络分割多分类医学图像解析 1 U-Net 多分类 2 Keras 利用Unet进行多类分割 2.1 代码实现 2.2 结果 3 多分类标签验证 4 数据变换 4.1 概述 4.2 图像数据变化代码(为了满足多分类需求) 4.3 随机亮度(为了数据增强) 5 Unet训练自2021-05-11 15:08:1095 6 12068
-
【深度学习】移动翻转瓶颈卷积的实现(mobile inverted bottleneck convolution) 文章目录 1 MBConv 1.1 Depthwise Convolution 1.2 SE-Net 1.3 EfficientNet-B0网络结构 2 卷积层的变体和替代 3 MobileNetV3 1 MBConv 移动翻转瓶颈卷积(mobile inve2021-05-11 15:08:3993 7 14544
-
物联网网关神器 Kong ( 四 )- 利用 Konga 来配置生产环境安全连接 Kong 前言 上一篇我们讲解了 Konga 的搭建和与 Kong 进行默认连接,本篇文章将讲一下如何在生产环境中基于验证的连接 Kong ,并详细讲解其中的参数。 前期准备 如果你需要在生产环境使用,那么你可以将 admin 端口只监听 127.0.0.1 ,然后通过 Kong 自己进行代理并增加效验。 首先,2021-05-11 15:09:0193 8 4539