输入输出ACM格式

单选和自我评价这里不再介绍4399的编程题一如既往地抽象明明是NLP岗位的笔试题却考了OpenCV相关的知识。

btw跟网友讨论了下4399似乎不同时间节点的笔试题是一样的

第一题

请使用OpenCV库编写程序实现在视频文件中实时追踪一个人手持手机绿幕的四个顶点的坐标。

使用颜色分割技术检测绿幕区域。

(8分)使用适当的方法如轮廓检测找到绿幕的四个顶点。

(10分)在视频帧中标记出这四个顶点。

(8分)

手机绿幕指手机屏幕显示全绿色图片用于后期处理替换为其他界面绿色范围lower_green

np.array([35,

cv2.VideoCapture(video_path)while

cap.isOpened():ret,

get_largest_contour(contours)vertices

get_four_vertices(largest_contour)if

vertices

ord(q):breakcap.release()cv2.destroyAllWindows()if

__name__

green_screen_track.mp4main(video_path)3.

第三题

GreenScreenDataset(Dataset):def

__init__(self,

transformNone):self.image_paths

labelsself.transform

Image.open(self.image_paths[idx]).convert(RGB)label

self.labels[idx]if

GreenScreenDataset(train_image_paths,

train_labels,

GreenScreenDataset(val_image_paths,

val_labels,

{running_loss/len(train_loader):.4f})#

Evaluation

val_loader):model.eval()all_preds

[]all_labels

1)all_preds.extend(preds.cpu().numpy())all_labels.extend(labels.cpu().numpy())accuracy

all_preds)#

Transformer模型的二分类器用以识别图像中是否包含绿幕。

解决方案涉及数据预处理、模型设计、训练和评估等多个环节。

首先在数据预处理阶段图像需要被调整大小并进行归一化以满足Swin

Transformer的输入需求。

此外数据集中的标签是二值化的分别代表有无绿幕0表示无绿幕1表示有绿幕确保数据集类能够准确处理这些标签是至关重要的。

在模型设计上使用了预训练的Swin

Transformer模型并针对二分类任务进行了微调。

输出层被替换为一个具有两个节点的全连接层分别对应两个类别。

通过这种方式模型能够有效地适应二分类任务。

训练过程采用了标准的训练循环设置了损失函数和优化器并使用学习率调度器动态调整学习率。

此外为了防止过拟合模型在训练过程中还应用了正则化技术如dropout。

在模型评估阶段除了准确率还使用了精确率、召回率和F1分数等指标以全面评估模型在二分类任务中的表现。

同时为了更直观地展示模型效果选择了一些样本图像进行可视化显示它们的预测结果与实际标签的对比。

import

GreenScreenDataset(Dataset):def

__init__(self,

transformNone):self.image_paths

labelsself.transform

Image.open(self.image_paths[idx]).convert(RGB)label

self.labels[idx]if

transforms.Compose([transforms.Resize((224,

224)),transforms.ToTensor(),transforms.Normalize([0.485,

0.456,

GreenScreenDataset(train_image_paths,

train_labels,

GreenScreenDataset(val_image_paths,

val_labels,

SwinTransformer(hidden_dim96,layers(2,

2),num_heads(3,

24),num_classes2,window_size7,input_resolution224

model

optim.AdamW(model.parameters(),

lr1e-4,

torch.optim.lr_scheduler.StepLR(optimizer,

step_size5,

labels.to(device)optimizer.zero_grad()outputs

model(images)loss

labels)loss.backward()optimizer.step()running_loss

loss.item()scheduler.step()print(fEpoch

Loss:

{running_loss/len(train_loader):.4f})#

模型评估

val_loader):model.eval()all_preds

[]all_labels

1)all_preds.extend(preds.cpu().numpy())all_labels.extend(labels.cpu().numpy())accuracy

all_preds)precision

visualize_predictions(val_loader,

labels

1)plt.imshow(image)plt.title(fPred:

{preds[i]},

{labels[i]})plt.axis(off)plt.show()device

torch.device(cuda

visualize_predictions(val_loader,

model)