2016年04月_beihangzxm123

转载 RCNN & SPP-net & Fast-RCNN & Faster-RCNN

转载自：http://blog.sina.com.cn/s/blog_9ae57c020102vopp.html先截个图，这就是RCNN的原理图。& SPP-net & Fast-RCNN & Faster-RCNN" alt="RCNN & SPP-net & Fast-RCNN & Faster-RCNN" src="http://s11.sinaimg.cn/mw690/002PS0

2016-04-28 23:18:39 1332

转载 Fast-RCNN解析：训练阶段代码导读

转载自：http://blog.csdn.net/linj_m/article/details/48930179#0-tsina-1-35514-397232819ff9a47a7b7e80a40613cfe1关于Fast-RCNN的解析，我们将主要分为两个部分来介绍，其中一个是训练部分，这个部分非常重要，是我们需要重点讲解的；另一个是测试部分，这个部分关系到具体的应用，所以也是必须要了解的。

2016-04-28 23:15:54 2183

转载 ubuntu运行Faster R-CNN

转载自：http://blog.csdn.net/helloeveryon/article/details/48789079论文名：FasterR-CNN: Towards Real-Time Object Detection with Region Proposal Networks代码链接：https://github.com/ShaoqingRen/faster_rcnn查阅的博

2016-04-28 23:12:19 1422

转载 Ubuntu下运行Faster-Rcnn

转载自：http://blog.csdn.net/qq_30040223/article/details/48491997Ubuntu下运行Faster-RcnnFaster-Rcnn 介绍前几天Shaoqing Ren放出了Faster-Rcnn的代码，可以在他的Github上下载得到，上面也有详细的配置说明。我下载下来，在自己的虚拟机上测试了一下，速度上确实比之前的Fast

2016-04-28 23:10:04 1277

转载【目标检测】Faster RCNN算法详解

转载自：http://blog.csdn.net/shenxiaolu1984/article/details/51152614Ren, Shaoqing, et al. “Faster R-CNN: Towards real-time object detection with region proposal networks.” Advances in Neural Information

2016-04-27 16:36:54 54267 1

转载【目标检测】Fast RCNN算法详解

转载自：http://blog.csdn.net/shenxiaolu1984/article/details/51036677Girshick, Ross. “Fast r-cnn.” Proceedings of the IEEE International Conference on Computer Vision. 2015.继2014年的RCNN之后，Ross Girshick在

2016-04-27 16:31:50 14114

转载【目标检测】RCNN算法详解

转载自：http://blog.csdn.net/shenxiaolu1984/article/details/51066975Girshick, Ross, et al. “Rich feature hierarchies for accurate object detection and semantic segmentation.” Proceedings

2016-04-27 16:27:30 10003 1

转载 Stanford机器学习笔记-8. 支持向量机(SVMs)概述

8. Support Vector Machines(SVMs)Content　　　　8. Support Vector Machines(SVMs)　　　　　　8.1 Optimization Objection　　　　　　8.2 Large margin intuition　　　　　　8.3 Mathematics Behind Large Margin Classif

2016-04-22 16:45:59 1601

转载 Stanford机器学习笔记-7. Machine Learning System Design

7 Machine Learning System DesignContent　　7 Machine Learning System Design　　　　7.1 Prioritizing What to Work On 　　　　7.2 Error Analysis　　　　7.3 Error Metrics for Skewed Classed 　　　　　　7.3.1 P

2016-04-22 16:45:10 948

转载 Stanford机器学习笔记-6. 学习模型的评估和选择

6. 学习模型的评估与选择Content　　6. 学习模型的评估与选择　　　　6.1 如何调试学习算法　　　　6.2 评估假设函数(Evaluating a hypothesis)　　　　6.3 模型选择与训练/验证/测试集(Model selection and training/validation/test sets) 　　　　6.4 偏差与方差　　　　　　6

2016-04-22 16:44:10 2651

转载 Stanford机器学习笔记-5.神经网络Neural Networks (part two)

5 Neural Networks (part two)content:　　5 Neural Networks (part two)　　　　5.1 cost function　　　　5.2 Back Propagation　　　　5.3 神经网络总结接上一篇4. Neural Networks (part one).本文将先定义神经网络的代价函数，然后介绍逆向传播

2016-04-22 16:42:52 1119

转载 Stanford机器学习笔记-4. 神经网络Neural Networks (part one)

4. Neural Networks (part one)Content:　　4. Neural Networks (part one) 　　　　4.1 Non-linear Classification.　　　　4.2 Neural Model(神经元模型)　　　　4.3 Forward Propagation　　　　4.4 神经网络实现与或非门以及异或门　　　　　　

2016-04-22 16:41:43 2052

转载 Stanford机器学习笔记-3.Bayesian statistics and Regularization

3. Bayesian statistics and RegularizationContent　　3. Bayesian statistics and Regularization. 　　　　3.1 Underfitting and overfitting. 　　　　3.2 Bayesian statistics and regularization. 　　　　3.3 Opt

2016-04-22 16:40:35 1764

转载 Stanford机器学习笔记-2.Logistic Regression

Content:2 Logistic Regression. 　　2.1 Classification. 　　2.2 Hypothesis representation. 　　　　2.2.1 Interpreting hypothesis output. 　　2.3 Decision boundary. 　　　　2.3.1 Non-linear decision bound

2016-04-22 16:39:49 881

转载 Stanford机器学习笔记-1.线性回归

转载自：http://www.cnblogs.com/llhthinker/tag/Machine%20Learning/Content：1. Linear Regression　　1.1 Linear Regression with one variable　　　　1.1.1 Gradient descent algorithm　　1.2 Linear Regression

2016-04-22 16:38:00 958

转载基于R-CNN的物体检测-CVPR 2014

转载自：http://blog.csdn.net/hjimce/article/details/50187029一、相关理论本篇博文主要讲解2014年CVPR上的经典paper：《Rich feature hierarchies for Accurate Object Detection and Segmentation》，这篇文章的算法思想又被称之为：R-CNN（Regions

2016-04-22 16:35:13 12961

转载 Batch Normalization 学习笔记

转载自：http://blog.csdn.net/hjimce/article/details/50866313一、背景意义本篇博文主要讲解2015年深度学习领域，非常值得学习的一篇文献：《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》，这个算法

2016-04-22 16:22:03 7422 2

翻译 Deep Neural Networks的Tricks

Here we will introduce these extensive implementation details, i.e., tricks or tips, for building and training your own deep networks.主要以下面八个部分展开介绍：mainly in eight aspects: 1) data augment

2016-04-22 16:19:03 1496

原创《Python核心编程》笔记-第二章+第三章

第二章快速入门print语句中使用字符串格式操作符，实现字符替换功能。print "%s is %d" %("one",1)%s、%d、%f分别用字符串、整型、浮点类型数据来替换。print语句重定向 logfile = open('/tmp/mylog.txt','a') print >> logfile,'something....' logf

2016-04-21 15:44:52 896

转载正则化方法/防止过拟合提高泛化能力的方法：L1和L2 regularization、数据集扩增、dropout

转载自：http://blog.csdn.net/u012162613/article/details/44261657本文是《Neural networks and deep learning》概览中第三章的一部分，讲机器学习/深度学习算法中常用的正则化方法。（本文会不断补充）正则化方法：防止过拟合，提高泛化能力在训练数据不够多时，或者overtraini

2016-04-21 15:33:29 4360 1

转载机器学习算法中如何选取超参数：学习速率、正则项系数、minibatch size

转载自：http://blog.csdn.net/u012162613/article/details/44265967本文是《Neural networks and deep learning》概览中第三章的一部分，讲机器学习算法中，如何选取初始的超参数的值。（本文会不断补充）学习速率（learning rate，η）运用梯度下降算法进行优化时，权重的更新

2016-04-21 15:31:40 5373

转载 A Complete Tutorial on Tree Based Modeling from Scratch (in R & Python)

转载自：http://www.analyticsvidhya.com/blog/2016/04/complete-tutorial-tree-based-modeling-scratch-in-python/IntroductionTree based learning algorithms are considered to be one of the best and mo

2016-04-21 11:29:33 2027

转载李菲菲课程笔记：Deep Learning for Computer Vision – Introduction to Convolution Neural Networks

转载自：http://www.analyticsvidhya.com/blog/2016/04/deep-learning-computer-vision-introduction-convolution-neural-networks/IntroductionThe power of artificial intelligence is beyond our imagination. W

2016-04-21 11:26:39 9579

转载走近人脸检测：从VJ到深度学习（下）

转载自：https://mp.weixin.qq.com/s?__biz=MzI1NTE4NTUwOQ==&mid=2650324508&idx=1&sn=b103ea69129c794194e395076a97cf04 深度学习给目标检测带来的变革人脸检测作为一种特定类型目标的检测任务，一方面具有其自己鲜明的特点，需要考虑人脸这一目标的特殊性，另一方面其也和其它类型目标的检测任

2016-04-21 11:20:11 7209

转载自：https://mp.weixin.qq.com/s?__biz=MzI1NTE4NTUwOQ==&mid=402840844&idx=1&sn=25cce8cdd0d6403943074bce18949b61&scene=1&srcid=0412gEhqheWw0hdggK665pGZ&pass_ticket=jAPclBu6ufBKD9QV9VJ00deYCG3dO5K3UJtDZGN

2016-04-21 11:17:07 4609

转载机器学习系列(9)_机器学习算法一览（附Python和R代码）

转载自：http://blog.csdn.net/longxinchen_ml/article/details/51192086–谷歌的无人车和机器人得到了很多关注，但我们真正的未来却在于能够使电脑变得更聪明，更人性化的技术，机器学习。– 埃里克施密特（谷歌首席执行官）当计算从大型计算机转移至个人电脑再转移到云的今天，我们可能正处于人类历史上最关键的时期。之所以关键，并不

2016-04-20 15:33:41 2813

转载机器学习系列(8)_读《Nature》论文，看AlphaGo养成

转载自：http://blog.csdn.net/longxinchen_ml/article/details/509000701.文章声明博主是围棋小白，下棋规则都记不清楚，也没有设计过棋类AI程序。这篇文章主要是阅读《Nature》论文及关于AlphaGo的相关文章的学习心得。本文的主要目的是增进分享，交流学习，方便初学者了解AlphaGo中的算法，以及一些机器学习中的常见思路。真

2016-04-20 15:28:37 984

转载深度学习卷积神经网络大事件一览

转载自：http://blog.csdn.net/u013088062/article/details/51118744　深度学习（DeepLearning）尤其是卷积神经网络（CNN）作为近几年来模式识别中的研究重点，受到人们越来越多的关注，相关的参考文献也是层出不穷，连续几年都占据了CVPR的半壁江山，但是万变不离其宗，那些在深度学习发展过程中起到至关重要的推动作用的经典文献依然值得回味，

2016-04-19 16:35:59 6295

转载机器学习笔记（PRML）

转载自：http://nbviewer.jupyter.org/github/lijin-THU/notes-machine-learning/blob/master/ReadMe.ipynb机器学习笔记简介作者：李金版本：0.0.1邮件：lijinwithyou@gmail.com机器学习笔记，使用 jupyter notebook (ipy

2016-04-19 16:31:34 9806 1

转载模式识别的评价方法：ROC曲线, DET曲线, FPPW, FPPI

转载自：http://blog.csdn.net/pb09013037/article/details/48949037因个人在做模式识别相关的工作，模式识别算法最终的性能评价是关键。但苦于网上很难找到具体、详细的评价流程、方法以及代码，所以本人打算近期准备如题所示评价方法的整理工作，到时候会奉上方法介绍、基础代码（matlab 版），以帮助更多像我这样对这些方法有些迷茫的人。暂时提供

2016-04-18 10:21:28 6524

转载非极大值抑制（Non-maximum suppression）在物体检测领域的应用

转载自：http://blog.csdn.net/pb09013037/article/details/45477591一、Nms主要目的在物体检测非极大值抑制应用十分广泛，主要目的是为了消除多余的框，找到最佳的物体检测的位置。如上图中：虽然几个框都检测到了人脸，但是我不需要这么多的框，我需要找到一个最能表达人脸的框。下图汽车检测也是同样

2016-04-18 09:52:46 1760

原创参考文献的注意事项

参考文献规范格式如下，请参考　　一、参考文献的类型　　参考文献（即引文出处）的类型以单字母方式标识，具体如下：　　M——专著 C——论文集 N——报纸文章　　J——期刊文章 D——学位论文 R——报告　　对于不属于上述的文献类型，采用字母“Z”标识。　　对于英文参考文献，还应注意以下两点：　　①作者姓名采用“姓在前名在后

2016-04-18 09:49:46 1101

转载损失函数(Loss Function) -1

转载自：损失函数(Loss Function) -1 - 阁子 - 博客园http://www.cnblogs.com/rocketfan/p/4083821.html 损失函数(Loss Function) -1http://www.ics.uci.edu/~dramanan/teaching/ics273a_winte

2016-04-12 10:20:25 6223

Leo的博客