2015年10月_hjimce

12月 11月 10月 09月 08月 07月 06月 05月 04月

原创深度学习（十四）基于CNN的性别、年龄识别

本篇博文主要讲解2015年CVPR上的一篇paper《Age and Gender Classification using Convolutional Neural Networks》，个人感觉这篇文献没啥难度，只要懂得Alexnet，实现这篇文献的算法，会比较容易。其实读完这篇paper之后，我一直在想paper的创新点在哪里？因为我实在没有看出paper的创新点在哪里，估计是自己水平太lower了，看文献没有抓到文献的创新点。难道是因为利用CNN做年龄和性别分类的paper很少吗？网上搜索了一下，性别

2015-10-19 20:56:42 42760 17

原创深度学习（十三）caffe之训练数据格式

caffe对于训练数据格式，支持：lmdb、h5py……，其中lmdb数据格式常用于单标签数据，像分类等，经常使用lmdb的数据格式。对于回归等问题，或者多标签数据，一般使用h5py数据的格式。当然好像还有其它格式的数据可用，不过我一般使用这两种数据格式，因此本文就主要针对这两种数据格式的制作方法，进行简单讲解。一、lmdb数据lmdb用于单标签数据。为了简单起见，我后面通过一个性别分类作为例子，进行相关数据制作讲解。１、数据准备首先我们要准备好训练数据，然后新建一个名为train的文件夹和一个va

2015-10-19 12:02:19 36908 6

原创图像处理（二十三）基于调色板的图像Recoloring-Siggraph 2015

1、自动调色板颜色选择算法这一部分，paper的创新点在如何对图像像素点进行快速聚类?通过一种改进的k均值算法，进行聚类，paper默认选择k值为5，每个聚类中心颜色就是调色板颜色Ci。这个就像grab cut算法中，默认选择的图像颜色的聚类个数也是5。估计是5是一个比较好的经验值吧。然而paper说到，如果直接使用k均值算法，进行图像像素点的聚类，那么每次迭代计算，对于一个大的图片来说，

2015-10-18 11:01:48 9093 10

原创深度学习（十二）从自编码到栈式自编码

从上面自编码的网络结构图，可以看到一开始输入特征是x1……x6，有六个特征，然后隐藏层的神经元只有3个，最后又用这3个神经元，要使得网络的输出尽量接近x1……x6。这就相当于我们输入了一个6维的特征向量，我们先把它降维，降到3维，然后我们利用这三维的特征向量，进行重构原始的数据。这个跟PCA降维一模一样，只不过PCA是通过求解特征向量，进行降维，是一种线性的降维方式，而自编码是利用神经网络进行降维，是一种非线性降维。

2015-10-13 23:27:18 37470 4

原创深度学习（十一）RNN入门学习

RNN中文名又称之为：递归神经网络。在计算机视觉里面用的比较少，我目前看过很多篇计算机视觉领域的相关深度学习的文章，就除了2015 ICCV的一篇图像语意分割文献《Conditional Random Fields as Recurrent Neural Networks》有提到RNN这个词外，目前还未见到其它的把RNN用到图像上面。RNN主要用于序列问题，如自然语言、语音音频等领域，相比于CNN来说，简单很多，CNN包含：卷积层、池化层、全连接层、特征图等概念，RNN基本上就仅仅只是三个公式就可以搞定了，

2015-10-13 10:46:22 23396 4

原创深度学习（十）keras学习笔记

keras与torch7的使用非常相似，是最近才火起来的深度学习开源库，底层是用了theano。keras可以说是python版的torch7，对于快速构建CNN模型非常方便。同时也包含了一些最新文献的算法，比如Batch Noramlize，文档教程也很全，在官网上作者都是直接给例子浅显易懂，个人感觉非常容易上手。keras也支持保存训练好的参数，然后加载已经训练好的参数，进行继续训练。

2015-10-13 10:38:19 60610 8

原创深度学习（九）caffe预测、特征可视化python接口调用

网上有很多caffe训练好的模型，有的时候我们仅仅想要方便的调用已经训练好的模型，利用python进行预测分类测试，查看可视化结果，这个时候，我们可以使用caffe为我们写好的python接口文件，我们在安装caffe的时候，有一步：make pycaffe。这个便是安装caffe的python 结果函数，把自己用的代码记录一下，以便日后直接复制粘贴使用。感觉使用python就是轻松，如果用caffe的c++接口，挺麻烦的。下面的使用例子是自己搞利用CNN进行性别预测的python接口调用实例：

2015-10-08 15:14:03 11750 13

原创深度学习（八）RBM受限波尔兹曼机学习-未完待续

相关/函数的作用是读取一张图片，并保存到到datum中//第一个参数：filename图片文件路径名//第二个参数：label图片的分类标签//第三、四个参数：图片resize新的宽高//调用方法：/*Datum datum ReadImageToDatum(“1.jpg”, 10, 256, 256, true,&datum)*///把图片1.jpg，其标签为10的图片缩放

2015-10-07 15:16:33 6347 3

原创深度学习（八）caffe源码学习-未完待续

加入-weights，这个功能很好用，也经常会用到，因为现在的CNN相关的文献，很多都是在已有的模型基础上，进行fine-tuning，因为我们大部分人都缺少训练数据，不像谷歌、百度这些土豪公司，有很多人专门做数据标注，对于小公司而言，往往缺少标注好的训练数据。因此我们一般使用fine-tuning的方法，在少量数据的情况下，尽可能的提高精度。我们可以使用：-weights 选项，利用已有的模型训练好的参数，作为初始值，进行继续训练。

2015-10-07 11:56:59 3564

原创深度学习（七）caffe源码c++学习笔记

最近几天为了希望深入理解caffe，于是便开始学起了caffe函数的c++调用。自然而然我们要学的第一步就是学习最简单的接口函数，因为对于预测分类的函数调用，caffe为我们提供了一个例子，一开始我懒得解读这个例子，网上找了一些分类预测的例子，总是会出现各种各样的错误，于是没办法最后只能老老实实的学官方给的例子比较实在，因此最后自己把代码解读了一下，然后自己整理成自己的类，这个类主要用于训练好模型

2015-10-06 20:00:46 22137 3

原创深度学习（六）caffe入门学习

本文主要讲解caffe的整个使用流程，适用于初级入门caffe，通过学习本篇博文，理清项目训练、测试流程。初级教程，高手请绕道。我们知道，在caffe编译完后，在caffe目录下会生成一个build目录，在build目录下有个tools，这个里面有个可执行文件caffe，如下图所示：有了这个可执行文件我们就可以进行模型的训练，只需要学会调用这个可执行文件就可以了，这便是最简单的caffe学习，不需要对caffe底层的东西懂太多，只需要会调参数，就可以构建自己的网络，然后调用这个可执行文件就可以进行训练

2015-10-06 19:48:57 58026 15

递归双边滤波（图像处理）

图像保边缘去噪算法，速度远高于传统双边滤波

2014-11-20

B样条曲线的绘制（c++语言MFC）

运行后，用鼠标输入控制顶点，然后点击菜单栏的生成B样条曲线，即可生成B样条曲线。可生成多条B样条曲线

2013-07-05

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人