2017年01月_Emma-SJ

原创文章标题

2017.01.12 DenseBoxDenseBox –> FCN (全卷积) end-to-end : input-output–>image Models –> VGG-19 1. Multi-level feature fusion 2. Multi-Task training 目标有无目标的位置2017.01.13 发现数据集不平衡的问题20170114工程数据lmdb

2017-01-13 16:50:01 203

原创 Weakly Supervised Object Localization with Multi-fold Multiple Instance Learning

Weakly Supervised Object Localization with Multi-fold Multiple Instance Learning基于多层多实例学习的弱监督物体定位摘要——在计算及视觉领域，物体的分类定位是一个具有挑战性的问题。标准的监督训练需要物体实例的bounding box标注。弱监督学习避免了这一耗时的标注过程。在这样的情况下，监督信息被限制在了二态标注中

2017-01-11 16:20:54 2399

原创 2017.01.09

最近在用caffe跑神经网络，中间遇到一些问题，总结下来。base_line model: trained atypia1_iter_50000.caffemodel loss 很低 accuracy 很高使用了crop(224) 和 minor 自己设计的网络，地址https://github.com/EmmaW8/caffe/tree/201701 正在重新跑

2017-01-09 17:34:02 533

原创 CNN+caffe学习4：自己训练网络全过程

本问创建于2017年1月。由于caffe版本更新，可能部分操作已经过时不能使用，希望大家多看源码，增强自主学习能力。资料下载地址：https://github.com/EmmaW8/caffe.git branch选择201701，code文件夹里面是需要用到的执行文件，models里面是我自己设计的5层CNN模型配置文件，以及训练结果。1. 准备数据2. 数据分类...

2017-01-09 15:05:15 5872 7

原创 2017.01.06

最近在用caffe跑神经网络，中间遇到一些问题，记录下来。accuracy 为0 train_val.prototxt文件中，val 数据集写错，写成了test（无标签），故正确率为0.caffe 网络可视化：Netscope 在线生成网络图片表示accuracy ：73.95%, loss 忽高忽低原因：结果有3类，所以标签需要在0-2之间，我用的 1 2 3.

2017-01-06 17:43:32 309

原创 CNN+caffe学习3：data processing

Data ProcessingPreprocess the datasubtract the mean image (AlexNet)subtract per-channel mean (VGGNet)Weight initialization small random numbers [works ok]Batch Normalization (usually inserted after

2017-01-06 17:17:28 304

原创 CNN+caffe学习2:Activation Functions

Activation FunctionsSigmoid σ(x)=1(1+e−x)\sigma(x) = \frac{1}{(1+e^{-x})} 取值范围：[0~1] Problems:Saturated neurons “kill” the gradientsSigmoid outputs are not zero-centeredexp() is a bit computer

2017-01-06 16:25:06 447

原创 CNN+caffe学习1：fine-tuning

Transfer Learning with CNNsTrain on ImageNetfine-tuning with small dataset retrain only the classifier swap the Softmax layer at the layerfine-tuning with medium dataset use the old weights as

2017-01-06 15:44:04 616

想变有趣的EMMA