数据增强是一种常用于提高计算机视觉问题神经网络模型训练性能并降低泛化误差的技术。当使用已训练好的模型进行预测时，也可以应用图像数据增强技术，以便模型能够对每个图像的多个不同版本进行预测 […]

图像数据增强是一种通过创建数据集图像的修改版本来人工扩展训练数据集的技术。在更多数据上训练深度学习神经网络模型可以获得更出色的模型，并且增强技术可以创建图像的变体，这些变体能够 […]

为了在训练和评估深度学习模型时能够快速高效地加载图像数据集，存在存储和组织图像数据集的约定。结构化之后，您可以使用Keras深度学习库中的ImageDataGenerator类等工具来自动加载训练、测试和验证数据集。 […]

深度学习计算机视觉速成课程。在7天内将深度学习方法应用于您的计算机视觉项目。我们淹没在来自照片、视频、Instagram、YouTube以及越来越多的实时视频流的数字图像中。处理图像数据很困难，因为它需要借鉴数字信号处理等不同领域的知识，[…]

开始使用深度学习方法进行计算机视觉时，使用标准计算机视觉数据集会很方便。标准数据集通常易于理解、规模较小且易于加载。它们可以为测试技术和重现结果提供基础，以建立对库和方法的信心。在本教程中，[…]

彩色图像具有高度、宽度和颜色通道尺寸。当表示为三维数组时，图像数据的通道维度默认位于最后，但有时为了性能调优原因可能会移至第一个维度。这些“通道顺序格式”的使用以及准备数据以满足特定首选通道 […]

在将图像作为输入提供给深度学习神经网络模型进行模型训练或评估之前，必须对图像的像素值进行缩放。传统上，图像需要在模型开发之前进行缩放，并存储在内存或磁盘中进行缩放 […]

Keras深度学习库提供了一个复杂的API，用于加载、准备和增强图像数据。API还包含一些未公开的函数，可以快速轻松地加载、转换和保存图像文件。在开始计算机视觉深度学习项目时，这些函数会非常方便，让您 […]

在图像分类任务中使用图像数据作为建模基础之前，必须对其进行准备。准备图像数据的一个方面是缩放像素值，例如将值归一化到0-1范围、中心化、标准化等。如何为 […]选择一个好的，甚至最好的像素缩放方法？

深度学习在计算机视觉领域的承诺是，模型性能更好，可能需要更多数据，但训练和操作所需的数字信号处理专业知识更少。围绕深度学习方法有很多炒作和夸大的说法，但除了炒作之外，深度学习方法正在实现最先进的结果 […]