DL_CreepingBird-CSDN博客

原创形态学-膨胀与腐蚀

形态学：膨胀与腐蚀本篇文章中，我们一起探究了图像处理中，最基本的形态学运算——膨胀与腐蚀。浅墨在文章开头友情提醒，用人物照片做腐蚀和膨胀的素材图片得到的效果会比较惊悚，毁三观的，不建议尝试。。。。。。。。。。 OK，开始吧，依然是先放一张截图：一、理论与概念讲解——从现象到本质 1.1 形态学概述形态学（

2017-12-01 09:26:17 991

原创显著降低模型训练成本的主动增量学习

CVPR 2017精彩论文解读：显著降低模型训练成本的主动增量学习 | 分享总结导语：active learning + sequential fine-tune，让模型表现停止增长的点在更少数据时到来在 8 月 1 日的直播分享中，刘凯博士为大家解读了「Fine-tuning Convolutional Neural Networks for Biomedical Image An

2017-12-01 09:23:47 4417

原创网络结构

Inception-v1 Inception-v3 Inception-v4 Inception-ResNet-v1 Inception-ResNet-v2 VGGNet

2017-12-01 09:22:41 378

原创图像金字塔

从opencv函数的金字塔函数和尺度缩放函数说起 Opencv里面金字塔和resize函数都是有关图像分辨率的问题。我们经常会将某种尺寸的图像转换为其他尺寸的图像，如果放大或者缩小图片的尺寸，笼统来说的话，可以使用OpenCV为我们提供的如下两种方式：1> resize函数。这是最直接的方式，2> pyrUp( )、pyrDown( )函数。即图像金字塔相关的两个函数，对图像进行向上采样，向下

2017-12-01 09:20:45 462

原创 docker

使用docker部署开发环境的两个目的：1. 标准化2. 快速部署新建容器的两个方法：1. 从hub.docker拉取镜像后进行相关配置，完成后通过该镜像生成容器2. 根据配置打包好的本地镜像生成容器具体步骤如下：1. 从hub.docker拉取镜像后进行相关配置，完成后通过该镜像生成容器(1). install nvidia-docker# 获取r

2017-12-01 09:19:28 395

原创目标检测-RCNN系列

• RCNN RCNN（Regions with CNN features）是将CNN方法应用到目标检测问题上的一个里程碑，由年轻有为的RBG大神提出，借助CNN良好的特征提取和分类性能，通过RegionProposal方法实现目标检测问题的转化。算法可以分为四步： 1）候选区域选择 Region Proposa

2017-12-01 09:17:33 516

原创 rfcn

R-FCN: Object Detection via Region-based Fully Convolutional Networks论文下载地址源码地址本篇论文是微软亚研何凯明代季峰的团队做的工作，虽然何凯明16年去了facebook，但是相关工作还在进行，代码还是公布在github上。感兴趣的可以从链接下载源码进行分析测试。 Introduce论文主要

2017-12-01 09:15:44 6989

原创 Dropout

Dropout浅层理解与实现一、相关工作本来今天是要搞《Maxout Networks》和《Network In Network》的，结果发现maxout和dropout有点类似，所以就对dropout做一下相关的总结，了解一下其代码层面的实现。 Dropout是2012年深度学习视觉领域的开山之作paper：《ImageNet Classification

2017-11-21 16:27:58 1228

原创 ResNet

Deep Residual Network 与梯度消失 1. 什么是DRN，为什么需要DRNDRN的全称是Deep Residual Network，深度残差网络，是对普通的深度学习网络的一种改进。我们为什么需要深度残差网络呢？因为普通的深度学习网络存在着这样的问题在层数比较少的时候，我们增加网络的深度，可以获得更好的表达效果。但是当层数已经足够多，比如说超过了三

2017-11-20 20:41:20 1400 1

原创 Inception-ResNet2

网络模型中Inception的作用与结构全解析一论文下载本文涉及到的网络模型的相关论文以及下载地址：　　 [v1] Going Deeper with Convolutions, 6.67% test error http://arxiv.org/abs/1409.4842 [v2] Batch Normalization: Accelerating Deep Net

2017-11-20 20:39:33 894

原创 FPN

Feature Pyramid Networks for Object Detection 前言这篇论文主要使用特征金字塔网络来融合多层特征，改进了CNN特征提取。论文在Fast/Faster R-CNN上进行了实验，在COCO数据集上刷到了第一的位置，意味着其在小目标检测上取得了很大的进步。论文整体思想比较简单，但是实验部分非常详细和充分。此博文对主要内容进行了翻译和理解工作，不足之处，

2017-11-20 20:37:46 1304

原创 faster_rcnn

Faster RCNN就像之前在RCNN章节提到的创新思路所说，Faster RCNN 将selective search这样的算法整合到深度网络中，这样不光解决了selective search这样的算法是cpu实现，速度慢的问题，而且与深度网络相结合，共享前面的卷积计算，这样做计算效率更高。而其他部分则与Fast RCNN差异不大。故这里主要讲些Region Proposal Networ

2017-11-20 20:36:04 1058

原创 fast_rcnn

Fast R-CNN首先声明：本文很多内容来自两个博客： RCNN, Fast-RCNN, Faster-RCNN的一些事目标检测--从RCNN到Faster RCNN 串烧。先回归一下： R-CNN ,SPP-netR-CNN和SPP-net在训练时pipeline是隔离的：提取proposal，CNN提取特征，SVM分类，bbox regression。 Fast R-C

2017-11-20 20:33:30 477

原创 dilated_conv

空洞卷积（dilated convolution）为什么要引入step？个人理解是因为图像像素是连续变化的，如果只取四领域进行计算，那么计算出来的对比度很小。也就是说提取出来的特征不那么明显，也就是说没有充分利用图像信息。简单讨论下dilated conv，中文可以叫做空洞卷积或者扩张卷积。首先介绍一下dilated conv诞生背景[4]，再解释dilated conv操作本身，以

2017-11-20 20:29:51 616

原创 object detection

什么是object detection object detection我的理解，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。object detection要解决的问题就是在哪里，是什么，具体在哪里这整个流程的问题。然而，这个问题可不是那么容易解决的，物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以出现在图片的任何地方，更何况物体还可以是多个类别。故用一般的方法

2017-11-20 20:27:46 381

原创 GAN2

GAN入门教程生成式对抗网络是20年来机器学习领域最酷的想法。 ——Yann LeCun自从两年前蒙特利尔大学的Ian Goodfellow等人提出生成式对抗网络（Generative Adversarial Networks，GAN）的概念以来，GAN呈现出井喷式发展。这篇发布在O'Reilly上的文章中，作者向初学者进行了GAN基础知识答疑，并手把手教给大家如何用GAN创建可以生成

2017-11-20 20:26:14 1190

原创 GAN

到底什么是生成式对抗网络GAN？它要解决的问题是如何从训练样本中学习出新样本，训练样本是图片就生成新图片，训练样本是文章就输出新文章等等。最终的目的是generator的输出给discriminator时很难判断是真实or伪造的男：哎，你看我给你拍的好不好？女：这是什么鬼，你不能学学XXX的构图吗？男：哦 ……男：这次你看我拍的行不行？

2017-11-20 20:24:36 1504 1

原创 first_report_gu

CNN CNN本质上是一个多层感知机，其成功的原因关键在于它所采用的局部连接和共享权值的方式，一方面减少了的权值的数量使得网络易于优化，另一方面降低了过拟合的风险。该优点是使图像可以直接作为网络的输入，网络能自行抽取图像特征，包括颜色、纹理、形状及图像的拓扑结构，避免了传统识别算法中复杂的特征提取和数据重建过程，并且在位移、缩放及其它形式扭曲不变性（这是因为局部感知区域能够获得一些基础的特征，

2017-11-20 20:21:47 714

原创 CRF+FCN

图像语义分割之FCN和CRF 介绍图像语义分割，简单而言就是给定一张图片，对图片上的每一个像素点分类从图像上来看，就是我们需要将实际的场景图分割成下面的分割图：不同颜色代表不同类别。经过我阅读"大量"论文（羞涩）和查看Pascal VOC 2012 Learderboard，我发现图像语义分割从深度学习引入这个任务（FCN）到现在而言，一个通用的框

2017-11-19 14:09:50 6335 1

原创 convolution卷积

卷积自然图像有其固有特性，也就是说，图像的一部分的统计特性与其他部分是一样的。这也意味着我们在这一部分学习的特征也能用在另一部分上，所以对于这个图像上的所有位置，我们都能使用同样的学习特征。更恰当的解释是，当从一个大尺寸图像中随机选取一小块，比如说 8x8 作为样本，并且从这个小块样本中学习到了一些特征，这时我们可以把从这个 8x8 样本中学习到的特征作为探测器，应用到这个图像的任意地

2017-11-19 14:07:06 692

原创 cnn

本文是对卷积神经网络的基础进行介绍，主要内容包括卷积神经网络概念、卷积神经网络结构、卷积神经网络求解、卷积神经网络LeNet-5结构分析、卷积神经网络注意事项。一、卷积神经网络概念上世纪60年代，Hubel等人通过对猫视觉皮层细胞的研究，提出了感受野这个概念，到80年代，Fukushima在感受野概念的基础之上提出了神经认知机的概念，可以看作是卷积神经网络的第一个实现网络，神

2017-11-19 14:05:01 6303

原创 cnn本质

cnn的核心在于卷积核，其实关于卷积核还有另一个名字叫做滤波器，从信号处理的角度而言，滤波器是对信号做频率筛选，这里主要是空间-频率的转换，cnn的训练就是找到最好的滤波器使得滤波后的信号更容易分类，还可以从模版匹配的角度看卷积，每个卷积核都可以看成一个特征模版，训练就是为了找到最适合分类的特征模版，一点浅见。 -----------------------------------分割

2017-11-19 14:03:17 5089 4

原创 Dilated Residual Networks

CVPR 2017论文笔记— Dilated Residual Networks 1.Background这次我来介绍一篇深度网络文章《Dilated Residual Networks》，发表在CVPR 2017会议上。作者是普林斯顿大学的Fisher Yu博士等人。网络简称为DRN。文章原文可在作者主页阅览：Fisher Yu主页这篇文章实则是作者将何恺明(Kaiming H

2017-11-19 13:55:05 975

原创 FCN

大多数人接触"语义"都是在和文字相关的领域，或语音识别，期望机器能够识别你发出去的消息或简短的语音，然后给予你适当的反馈和回复。嗯，看到这里你应该已经猜到了，图像领域也是存在"语义"的。今天是AI大热年，很多人都关注与机器人的语音交互，可是有没有想过，将来的机器人如果不能通过图像来识别主人，家里的物品、宠物，那该多没意思。说近一些，假如扫地机器人能够机智地绕开你丢在地上的臭袜子而扫走旁边

2017-11-19 13:52:27 12737 19

原创 SPP

SPP详解上两图：核心思想上图：spp用于目标检测算法设计原因：CNN卷积层不需要固定尺寸输入用于目标检测的优点：１.精度高(多尺度特征)２．速度快(20-100倍) SPP网络，我不得不要先说，这个方法的思想在Fast RCNN， Faster RCNN上都起了举足轻重的作用。SPP网络主

2017-11-19 13:30:16 915

原创 RCNN

附一张发表RCNN并开启目标检测深度学习浪潮的Ross B. Girshick（rbg）男神：无论如何，目标检测属于应用范畴，有些机器学习基础上手还是很快的，所以让我们马上来补习一下！首先什么是目标检测？目标检测对人类是如此简单：把存在的目标从图片中找出来，就是那么简单！在计算机中，传统目标检测方法大致分为如下三步：如上图所示，首先在给定的图像上选择一些候选

2017-11-16 15:40:59 491

原创 Batch Normalization

到底什么是Batch Normalization？ Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate ShiftBatch Normalization: 通过减少分布发生的变化加速深度网络网络训练过程中参数不断改变导致后续每一层输入的分布

2017-11-16 15:36:44 622

DL_CreepingBird的博客