网站中的表单怎么做phpcms 下载网站模板

当前位置： 首页 > news >正文

网站中的表单怎么做,phpcms 下载网站模板,专注网站搭建的公司,苏州网站建设招标《博主简介》 小伙伴们好#xff0c;我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。 ✌更多学习资源#xff0c;可关注公-仲-hao:【阿旭算法与机器学习】#xff0c;共同学习交流~ #x1f44d;感谢小伙伴们点赞、关注#xff01; 《——往期经典推…《博主简介》 小伙伴们好我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。 ✌更多学习资源可关注公-仲-hao:【阿旭算法与机器学习】共同学习交流~ 感谢小伙伴们点赞、关注 《——往期经典推荐——》 一、AI应用软件开发实战专栏【链接】 项目名称项目名称1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】3.【手势识别系统开发】4.【人脸面部活体检测系统开发】5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】7.【YOLOv8多目标识别与自动标注软件开发】8.【基于YOLOv8深度学习的行人跌倒检测系统】9.【基于YOLOv8深度学习的PCB板缺陷检测系统】10.【基于YOLOv8深度学习的生活垃圾分类目标检测系统】11.【基于YOLOv8深度学习的安全帽目标检测系统】12.【基于YOLOv8深度学习的120种犬类检测与识别系统】13.【基于YOLOv8深度学习的路面坑洞检测系统】14.【基于YOLOv8深度学习的火焰烟雾检测系统】15.【基于YOLOv8深度学习的钢材表面缺陷检测系统】16.【基于YOLOv8深度学习的舰船目标分类检测系统】17.【基于YOLOv8深度学习的西红柿成熟度检测系统】18.【基于YOLOv8深度学习的血细胞检测与计数系统】19.【基于YOLOv8深度学习的吸烟/抽烟行为检测系统】20.【基于YOLOv8深度学习的水稻害虫检测与识别系统】21.【基于YOLOv8深度学习的高精度车辆行人检测与计数系统】22.【基于YOLOv8深度学习的路面标志线检测与识别系统】23.【基于YOLOv8深度学习的智能小麦害虫检测识别系统】24.【基于YOLOv8深度学习的智能玉米害虫检测识别系统】25.【基于YOLOv8深度学习的200种鸟类智能检测与识别系统】26.【基于YOLOv8深度学习的45种交通标志智能检测与识别系统】27.【基于YOLOv8深度学习的人脸面部表情识别系统】28.【基于YOLOv8深度学习的苹果叶片病害智能诊断系统】29.【基于YOLOv8深度学习的智能肺炎诊断系统】30.【基于YOLOv8深度学习的葡萄簇目标检测系统】31.【基于YOLOv8深度学习的100种中草药智能识别系统】32.【基于YOLOv8深度学习的102种花卉智能识别系统】33.【基于YOLOv8深度学习的100种蝴蝶智能识别系统】34.【基于YOLOv8深度学习的水稻叶片病害智能诊断系统】35.【基于YOLOv8与ByteTrack的车辆行人多目标检测与追踪系统】36.【基于YOLOv8深度学习的智能草莓病害检测与分割系统】37.【基于YOLOv8深度学习的复杂场景下船舶目标检测系统】38.【基于YOLOv8深度学习的农作物幼苗与杂草检测系统】39.【基于YOLOv8深度学习的智能道路裂缝检测与分析系统】40.【基于YOLOv8深度学习的葡萄病害智能诊断与防治系统】41.【基于YOLOv8深度学习的遥感地理空间物体检测系统】42.【基于YOLOv8深度学习的无人机视角地面物体检测系统】43.【基于YOLOv8深度学习的木薯病害智能诊断与防治系统】44.【基于YOLOv8深度学习的野外火焰烟雾检测系统】45.【基于YOLOv8深度学习的脑肿瘤智能检测系统】46.【基于YOLOv8深度学习的玉米叶片病害智能诊断与防治系统】47.【基于YOLOv8深度学习的橙子病害智能诊断与防治系统】48.【车辆检测追踪与流量计数系统】49.【行人检测追踪与双向流量计数系统】50.【基于YOLOv8深度学习的反光衣检测与预警系统】51.【危险区域人员闯入检测与报警系统】52.【高压输电线绝缘子缺陷智能检测系统】 二、机器学习实战专栏【链接】已更新31期欢迎关注持续更新中~~ 三、深度学习【Pytorch】专栏【链接】 四、【Stable Diffusion绘画系列】专栏【链接】 五、YOLOv8改进专栏【链接】持续更新中~~ 六、YOLO性能对比专栏【链接】持续更新中~ 《——正文——》 引言 本文主要介绍一个开源的C2PNet去雾算法的使用。这篇文章主要研究了单图像去雾问题并提出了一个新的去雾网络C2PNet。C2PNet使用了课程对比正则化和物理感知的双分支单元来提高去雾模型的解释性和性能。文章首先介绍了去雾问题的挑战然后详细阐述了C2PNet的设计原理和实现方法包括物理感知双分支单元和共识负样本对比正则化。最后通过在合成数据集和真实世界数据集上的定量评估证明了C2PNet在去雾性能上的优越性。 去雾效果 基本原理 C2PNetCurricular Contrastive Regularization for Physics-aware Single Image Dehazing Network的设计原理和实现方法如下

1. 物理感知双分支单元Physics-aware Dual-branch Unit, PDU 设计背景传统的单张图像去雾方法要么在原始空间直接估计未知因素传输图和大气光要么在特征空间中忽略这些物理特性。为了结合物理模型的优势并避免累积误差设计了PDU。原理基于大气散射模型PDU将传输图和大气光的估计任务分配给两个并行的分支每个分支分别学习与相应物理因素相关的特征表示。这样可以更精确地合成符合物理模型的潜在清晰图像。实现通过一系列卷积层和非线性激活函数两个分支各自提取图像特征然后通过加权求和的方式结合这些特征最终得到去雾化的图像输出。
2. 共识负样本对比正则化Consensual Contrastive Regularization, CR 设计背景为了提高特征空间的可解释性和引导网络学习更有区分度的特征表示引入了基于对比学习的正则化方法。原理对比学习的核心思想是区分正样本对锚点与其正样本和负样本对锚点与其负样本。在去雾任务中正样本对是指同一场景下的清晰图像和模糊图像负样本对则是不同场景下的清晰图像。通过最小化正样本之间的距离和最大化负样本之间的距离可以约束解决方案的空间从而提高去雾效果。实现在训练过程中对于每个清晰图像和对应的模糊图像对网络会学习一个对比损失函数。这个损失函数会随着训练进程动态调整以平衡正样本和负样本的贡献。具体来说容易区分的样本例如PSNR大于30的样本会被视为“容易的”样本而其他样本则被视为“非容易的”样本并给予更高的权重。这样网络就会首先学习到容易样本的特征然后再逐渐聚焦于更难以区分的样本从而实现一种渐进式的学习策略。
3. 网络整体结构 C2PNet由多个PDU模块串联而成形成一个多阶段的去雾网络。每个PDU模块负责处理输入图像的不同分辨率版本从而逐步恢复出高分辨率的清晰图像。在每个PDU模块中都会对输入图像执行上采样操作以逐渐重建出全分辨率的清晰图像。
4. 训练策略 除了传统的L1损失用于直接衡量网络预测的去雾图像和真实清晰图像之间的差异外C2PNet还采用了CR作为正则化手段来提升特征学习的质量。在训练过程中网络会为每个清晰图像和其对应的模糊图像对生成对比损失。同时为了使网络能够从难易程度不同的样本中学习到有效的特征表示网络会根据样本的难度动态调整对比损失的权重。
5. 实现细节 C2PNet使用PyTorch 1.11.0在NVIDIA RTX 3090 GPU上实现。为了评估C2PNet的效果论文中使用了多个合成数据集和真实世界的去雾数据集并与其他几种先进的去雾算法进行了比较。实验结果表明C2PNet在各种数据集上均取得了领先的性能。 总结C2PNet的设计原理在于结合物理模型和对比学习正则化来提升单张图像去雾的效果。通过物理感知双分支单元对传输图和大气光进行分别建模以及通过共识负样本对比正则化引导网络学习更加鲁棒和有区分度的特征表示C2PNet能够在去雾任务中取得显著的性能提升。 模型结果对比 模型使用完整代码 我们直接使用onnx模型进行图片去雾推理将图片对比结果存入results目录中 import argparse import osimport cv2 import onnxruntime import numpy as npclass C2PNet:def init(self, modelpath):# Initialize modelself.onnx_session onnxruntime.InferenceSession(modelpath)self.input_name self.onnx_session.getinputs()[0].name, _, self.input_height, self.input_width self.onnx_session.get_inputs()[0].shapedef detect(self, image):input_image cv2.cvtColor(image, cv2.COLOR_BGR2RGB)if isinstance(self.input_height ,int) and isinstance(self.input_width, int):input_image cv2.resize(input_image, (self.input_width, self.input_height)) ###固定输入分辨率, HXW.onnx文件是动态输入分辨率的input_image input_image.astype(np.float32) / 255.0input_image input_image.transpose(2, 0, 1)input_image np.expand_dims(input_image, axis0)result self.onnx_session.run(None, {self.input_name: input_image}) ###opencv-dnn推理时,结果图全黑# Post process:squeeze, RGB-BGR, Transpose, uint8 castoutput_image np.squeeze(result[0])output_image output_image.transpose(1, 2, 0)output_image output_image * 255output_image np.clip(output_image, 0, 255)output_image output_image.astype(np.uint8)output_image cv2.cvtColor(output_image.astype(np.uint8), cv2.COLOR_RGB2BGR)output_image cv2.resize(output_image, (image.shape[1], image.shape[0]))return output_imageif name main:path testimgs/outdoorfor each in os.listdir(path):parser argparse.ArgumentParser()parser.add_argument(–imgpath, typestr,defaultos.path.join(path, each), helpimage path)parser.add_argument(–modelpath, typestr,defaultweights/c2pnet_outdoor_HxW.onnx, helponnx path)args parser.parse_args()mynet C2PNet(args.modelpath)srcimg cv2.imread(args.imgpath)dstimg mynet.detect(srcimg)if srcimg.shape[0] srcimg.shape[1]:boundimg np.zeros((10, srcimg.shape[1], 3), dtypesrcimg.dtype)255 ###中间分开原图和结果combined_img np.vstack([srcimg, boundimg, dstimg])else:boundimg np.zeros((srcimg.shape[0], 10, 3), dtypesrcimg.dtype)255combined_img np.hstack([srcimg, boundimg, dstimg])cv2.imwrite(os.path.join(results,each), combined_img)winName Deep learning Image Dehaze use onnxruntimecv2.namedWindow(winName, 0)cv2.imshow(winName, combined_img) ###原图和结果图也可以分开窗口显示cv2.waitKey(0)cv2.destroyAllWindows()运行后保存结果如下 参考 https://github.com/YuZheng9/C2PNet https://github.com/hpc203/C2PNet-onnxrun 资料获取 关于本文的相关代码及文件都已打包好供需要的小伙伴们学习免费获取方式如下 关注文末名片G-Z-H【阿旭算法与机器学习】发送【开源】即可获取下载方式