深度学习
文章平均质量分 78
鱼丸小咖
硬件/视觉/深度学习小白
展开
-
Learning to Track at 100 FPS with Deep Regression Networks 论文理解及应用笔记(二)
GOTURN算法实践及性能分析云笔记 算法实现:个人根据论文及github提示构建算法平台测试环境为:Caffe+OpenCV+Linux+GOTURN源码硬件平台:CRSN本科生实验室服务器--128G运行内存,3.2GCPU频率、英伟达1080p显卡、酷睿I7、8核处理器测试数据集:VOT2014公开数据集 一、环境搭建1.OpenCV-2.4.9库安装原创 2017-03-18 19:08:15 · 617 阅读 · 2 评论 -
GAN框架研究与思路整理
本文内容将着重分析当前GAN原理及其应用场景,比对其相对于传统深度学习方法在图像生成等方面的区别一、原始GAN原理 原始GAN论文中的思想为生成模型与判别模型间的零和博弈,通过对抗式的训练,生成模型G捕捉样本数据的数据分布,判别模型则是一个二分类模型,估计一个样本来自训练数据(而非生成数据)的概率。G和D一般都是非线性映射函数,如多层感知器(朴素GAN)/卷积神经网(DC原创 2017-03-11 16:48:15 · 5933 阅读 · 0 评论 -
A Neural Algorithm 0f Artistic Style 云笔记
A Neural Algorithm 0f Artistic Style论文/代码笔记__________________________________________Guo__一.style-transfer算法实现原理 在原论文中使用的模型是以VGG网络为基础,一个在视觉物体识别基准任务上和人类视觉能力相匹配的卷积神经网络,在style-transfer中使用翻译 2017-03-11 17:11:02 · 807 阅读 · 2 评论 -
深度学习(四)
一、提纲 AlexNet:现代神经网络起源 VGG:AlexNet增强版 GoogleNet:多维度识别 ResNet:机器超越人类识别 DeepFace:结构化图片的特殊处理 U-Net:图片生成网络 实例:解剖VGG,用模型机型网络参数可视化,特征提取,目标检测二、期待目标 1.掌握AlexNet结构特原创 2017-03-20 22:01:38 · 2188 阅读 · 0 评论 -
深度学习(三)
本节期待目标:清楚神经网络优化原理,掌握反向传播计算掌握卷积神经网络卷积层的结构特点,关键参数,层间连接方式,正向反向传播了解不同卷积神经网络功能层的作用,会进行简单的卷积神经网络结构设计运行简单的卷积神经网络结构设计一、链式反向梯度传导1.链式法则的计算2.神经网络中的链式法则2.1计算顺序:从loss向输入传播原创 2017-03-20 20:29:53 · 1633 阅读 · 0 评论 -
深度学习(二)
一、常用的非线性激励函数1.Sigmoid优点:输出可以映射到[0,1]缺点:一次求导后梯度损失了75%,梯度损失严重2.Than优点:输出可以映射到[-1,1]缺点:梯度损失明显3.Relu特性:正向截断负值,损失大量特征,但由于特征数量足够,仍然足够推动机器进行学习 通过引入非线性层使得原创 2017-03-20 20:19:47 · 736 阅读 · 0 评论