- 博客(6)
- 资源 (2)
- 收藏
- 关注
原创 RNN 之LSTM简介
原理在查阅文章的开始只注重了使用CNN的SLAM的文献,后来注意到一些RNN的方法也可以借鉴,因此查阅了一下当前使用RNN做三维重建,SLAM等问题的文章,果然存在一些不错的文章. 所以这里介绍首先介绍一下LSTM的原理和方法. LSTM的出发点就二十为了解决RNN中梯度回传的问题:The vanishing gradient problem for RNNs,也就是后面时间的节点对于前面时间的
2016-10-19 11:07:42 2421
原创 pycaffe使用教程
API 接口首先import pycaffe前向后向操作,处理IO,可视化网络,模型求解,所有的模型数据和参数,这些内容都已经有了接口,因此可以读写.caffe.Net is the central interface for loading, configuring, and running models. caffe.Classifier and caffe.Detector provide c
2016-10-17 17:38:00 6320
原创 深度网络 Fine-tuning方法简介
迁移学习有两种方式,一是卷积网络作为固定的特征提取器.拿到一个预训练好的卷积网络,去掉全连接层,吧其余的部分作为一个特征提取器.alex网络会计算一个4096D的特征向量,称之为cnn codes.有了这些特征很容易训练一个线性分类器. 另外一种方式是fine-tuning卷积网络,是本文主要介绍的内容.该方法中不仅替换掉了顶层的全连接层,而且会改变预训练网络中的权值数据.这里既可以改变全部的网络
2016-10-17 17:36:53 12935
原创 posenet
首先介绍一些资源 1. The Future of Real-Time SLAM and Deep Learning vs SLAM 2. qura 3. deep learning with robot 4. 深度位姿估计网络方法1 PoseNet:@inproceedings{kendall2015posenet, title={PoseNet: A convolutional n
2016-10-15 20:53:49 7016
原创 典型卷积网络
本文介绍一些典型的深度卷积网络modelmodel zoo in caffe, caffe model zoo wiki net layer num finetuned on dataset image num GoogLe Net 22 Extended Salient Object Subitizing dataset 11k VGG Net 16 i
2016-10-11 17:46:40 1063
原创 SLAM代码(三维重建)
三维重建的一般步骤 - 特征点对计算基础矩阵。 - 根据基础矩阵计算相机矩阵 - 对于内个点对计算点在3D空间的位置。 The Fundamental Matrix Song本文主要介绍三维重建的初始值的估计方法(三角测量triangulation) 这样看来三维重建综合了几个问题(包括上述三角测量,以及其他的问题包括基础矩阵估计,),如下图所示 采用光束平差法对射影空间下的多个相机运动
2016-10-01 23:00:31 10957 4
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人