Deep Learning
文章平均质量分 90
小班得瑞
一切OK
展开
-
AI的博客资料汇总
一些AI博客资料原创 2021-12-28 16:07:10 · 995 阅读 · 0 评论 -
caffe使用问题总结
基于caffe的faster训练问题:voc07数据集时出现的数值溢出问题之前训练时,每次必现,在第一次前向时出现数值溢出问题,导致训练失败。最后发现是proposal_layer.py里的forward(self, bottom, top)里的cfg.phase写成了’TEST’,这里由于训练和测试都需要,所以直接把它注释掉了。训练时,在某一层出现网络配置文件中输入不正确的情况修改ca...原创 2019-08-06 15:37:29 · 277 阅读 · 0 评论 -
资源汇总
Python资源Windows安装包OCR资源OCR研究领域——Github论文工具整理 OCRShell资源高级Bash脚本编程指南原创 2018-02-27 10:11:39 · 279 阅读 · 0 评论 -
车牌业务相关介绍
新能源车牌(新知识)新能源汽车专用号牌样式及编码规则 2017-12-05 17:13 新能源 来源:水富交警(ID:sfjj5555)1、号牌式样新能源汽车专用号牌分为小型新能源汽车专用号牌和大型新能源汽车专用号牌。新能源汽车专用号牌的外廓尺寸为480mm×140mm,其中小型新能源汽车专用号牌为渐变绿色,大型新能源汽车专用号牌为黄绿双拼色。主要特点:增设专用标志。新能源...转载 2018-03-21 11:05:28 · 988 阅读 · 0 评论 -
机器学习资源
exponential family最近因为工作原因重温了目标检测算法,参考了Focal loss。里边涉及了cross entropy损失函数。这里重温了一下二分类的logistic回归以及多类的softmax loss,但是对于softmax的背景知识一直不是太了解。借着这次机会,好好地挖一下softmax,在本博文中会陆续更新挖到的相关知识点。PRML中关于softmax的阐述...原创 2017-12-05 10:44:57 · 847 阅读 · 0 评论 -
残差网络小结
在我看来,残差网络要解决的就是在训练极深网络时,出现的退化现在。产生这一现象的原因,主要是梯度问题导致。在文献【2】中,对于残差网络解决梯度传播的问题进行了深入地分析。原始的kaiming的残差网络,使用了shortcut的方式进行跨层连接。文献[1]中设定的跨层个数是2~3个layer,1个layer并没有看出效果。当去掉跨层连接时,网络就退回成了plain network的形式。跨层连接形原创 2017-11-01 11:14:44 · 1871 阅读 · 0 评论 -
AI的博客资料等
1.precision,recallhttps://baijiahao.baidu.com/po/feed/share?wfr=spider&for=pc&context=%7B%22sourceFrom%22%3A%22bjh%22%2C%22nid%22%3A%22news_3683845945204395749%22%7D原创 2017-06-07 11:07:33 · 447 阅读 · 0 评论 -
YOLO检测算法小结
1.准备数据1.1按照VOC的数据格式存放好数据,然后使用darknet上的py脚本voc_label.py生成相应的train,val,test相关的图片路径txt以及yolo需要读取的labels文件1.2 指定训练相关数据,后缀名是.data,其主要存放了类别数,类别名称,train,val,test数据集路径,backup存放路径等,该文件用于源代码中读取,所以也需要适时修改训练源原创 2017-03-14 10:49:53 · 2035 阅读 · 0 评论 -
目标检测方法效果小结
1.YOLO & YOLOv2(1)边框定位不够精准(2)目标检出率低,尤其是小目标(3)耗时少2. SSD(1)边框定位准(2)目标检出率高(3)耗时多3. faster- rcnn(1)边框定位准(2)目标检测率高(3)耗时高(4)训练时间长原创 2016-12-15 14:08:42 · 5007 阅读 · 4 评论 -
卷积神经网络物体检测之感受野大小计算
转载自http://www.cnblogs.com/objectDetect/p/5947169.html学习RCNN系列论文时, 出现了感受野(receptive field)的名词, 感受野的尺寸大小是如何计算的,在网上没有搜到特别详细的介绍, 为了加深印象,记录下自己对这一感念的理解,希望对理解基于CNN的物体检测过程有所帮助。1 感受野的概念 在卷积神经网络中转载 2017-02-11 17:04:29 · 1185 阅读 · 0 评论 -
YOLO源码分析之data.c
[net]batch=64subdivisions=8height=416width=416channels=3momentum=0.9decay=0.0005angle=0saturation = 1.5exposure = 1.5hue=.1learning_rate=0.0001max_batches = 45000policy=stepssteps=100,原创 2016-12-10 16:56:38 · 2749 阅读 · 0 评论 -
Caffemodel解析
转载自http://www.w2bc.com/Article/34963因为工作需要最近一直在琢磨Caffe,纯粹新手,写博客供以后查阅方便,请大神们批评指正!Caffe中,数据的读取、运算、存储都是采用Google Protocol Buffer来进行的,所以首先来较为详细的介绍下Protocol Buffer(PB)。PB是一种轻便、高效的结构化数据存储格式,可以用转载 2016-11-24 14:05:22 · 1559 阅读 · 0 评论 -
RNNs相关资料汇总
Goole Brain的Chris Olah和Shan Carter所写的关于注意力机制和RNNs的Bloghttp://distill.pub/2016/augmented-rnns/原创 2016-12-05 09:51:05 · 607 阅读 · 0 评论 -
SSD代码阅读之sampler.cpp
#include #include #include "caffe/util/bbox_util.hpp"#include "caffe/util/sampler.hpp"namespace caffe {// 获取原始标注信息,这里的坐标都进行了归一化void GroupObjectBBoxes(const AnnotatedDatum& anno_datum,原创 2016-11-18 11:27:49 · 4541 阅读 · 1 评论