deeplearning
bu_boosting
这个作者很懒,什么都没留下…
展开
-
提升深度学习模型的小tricks
通过数据提升性能表现通过算法提升性能表现通过算法微调提升性能表现通过整合提升性能表现本文主要来说明,通过数据提升模型性能表现增加数据(data augmengtation),主要功能对最后的模型识别能力和泛化能力非常主要。主要是图像,方法有:1.对颜色数据增强,例如改变图像的色彩饱和率,亮度和对比度。2.pca Jittering。3.对图像进行裁剪和缩放,这种方法通用于深原创 2017-03-04 10:26:39 · 473 阅读 · 0 评论 -
Deep Compression阅读理解及Caffe源码修改
原文链接:http://blog.csdn.net/may0324/article/details/52935869更新: 没想到这篇文章写出后有这么多人关注和索要源码,有点受宠若惊。说来惭愧,这个工作当时做的很粗糙,源码修改的比较乱,所以一直不太好拿出手。最近终于有时间整理了一下代码并开源出来了。关于代码还有以下几个问题: ~1.在.cu中目前仍然是调用cpu_data接口,所以转载 2017-10-18 21:44:34 · 388 阅读 · 0 评论 -
caffe+ubuntu14.04+GTX1070+CUDA8.0+CUDNNv5.1
安装caffe步骤:Ubuntu的安装自行百度。下载准备:1. 下载NVIDIA驱动:驱动安装包的大小大约100M。2. 下载CUDA 8.0(toolkit):3. 下载cudnnV5.1:我们只下载cudnn v5.1 library for linux 4.下载openCV3.0网址:http://o原创 2016-12-07 21:41:23 · 2326 阅读 · 0 评论 -
python数字图像处理:图像的绘制
实际上前面我们就已经用到了图像的绘制,如:io.imshow(img) 这一行代码的实质是利用matplotlib包对图片进行绘制,绘制成功后,返回一个matplotlib类型的数据。因此,我们也可以这样写:import matplotlib.pyplot as pltplt.imshow(img)imshow()函数格式为:matplotlib.p转载 2017-11-15 10:23:38 · 483 阅读 · 0 评论 -
CRF as RNN语义分割
CRF as RNN语义分割原文地址:http://blog.csdn.net/hjimce/article/details/50888915作者:hjimce一、相关理论本篇博文主要讲解文献《Conditional Random Fields as Recurrent Neural Networks》,实现了图像语义分割的再次突破。首先我觉得这篇文献的题目转载 2018-01-12 11:17:43 · 1975 阅读 · 0 评论 -
CNN网络优化加速汇总
网络裁剪加速 Learning Efficient Convolutional Networks through Network Slimming ICCV2017 https://github.com/liuzhuang13/slimmingCNN网络通道裁剪加速 Channel Pruning for Accelerating Very Deep Neural Networ转载 2017-12-28 11:07:55 · 1751 阅读 · 0 评论 -
Semantic Segmentation--ICNet for Real-Time Semantic Segmentation on High-Resolution Images论文解读
ICNetICNet for Real-Time Semantic Segmentation on High-Resolution Images转载URL:http://blog.csdn.net/u011974639/article/details/79007588原文地址:ICNet代码:github-CaffeTensorFlowAbstractICNet是一个基于PSPNet的实时语义分割转载 2018-01-17 19:44:53 · 442 阅读 · 0 评论 -
Pyramid Scene Parsing Network论文解读
Pyramid Scene Parsing Network收录:CVPR 2017 (IEEE Conference on Computer Vision and Pattern Recognition)原文地址: PSPNet代码:pspnet-githubKerastensorflow效果图:Abstract本文提出的金字塔池化模块( pyramid pooling module)能够聚合不同转载 2018-01-17 19:48:44 · 968 阅读 · 0 评论 -
deeplab_v3论文笔记
Deeplab-V3Rethinking Atrous Convolution for Semantic Image Segmentation摘要DeeplabV1&V2 - 带孔卷积(atrous convolution), 能够明确地调整filters的接受野(field-of-view),并决定DNN计算得到特征的分辨率;DeeplabV3 - 多尺度(multipl转载 2018-01-26 14:55:54 · 2876 阅读 · 3 评论 -
Tensorflow_seq2seq接口
简介Tensorflow 1.0.0 版本以后,开发了新的seq2seq接口,弃用了原来的接口。旧的seq2seq接口也就是tf.contrib.legacy_seq2seq下的那部分,新的接口在tf.contrib.seq2seq下。新seq2seq接口与旧的相比最主要的区别是它是动态展开的,而旧的是静态展开的。静态展开(static unrolling) :指的转载 2018-02-06 15:41:25 · 583 阅读 · 0 评论 -
图像融合之泊松编辑(Poisson Editing)(1):简略语言概述算法
原作者:Chris Tralie :http://blog.csdn.net/u011534057/article/details/68922197简介泊松图像编辑是一种全自动的“无缝融合”两张图像的技术,由Microsoft Research UK的Patrick Perez,Michel Gangnet, and Andrew Blake在论文“Poisson Image Ed转载 2018-02-06 15:48:31 · 860 阅读 · 0 评论 -
Synthetic Data for Text Localisation in Natural Images论文阅读
亮点是:里面有基于卷积神经网络的深度信息提取Synthetic Data for Text Localisation in Natural Images是VGG实验室2016年CVPR的一篇论文。这篇论文所做的主要贡献有两点:1.将word人工的嵌入到自然图片中,人工生成带有文本的图片(synthText)。2.提出一种FRCN的网络来检测文本。本文转载 2018-02-06 17:35:14 · 365 阅读 · 0 评论 -
class-aware detector 和 class-agnostic detector
For a class-aware detector, if you feed it an image, it will return a set of bounding boxes, each box associated with the class of the object inside (i.e. dog, cat, car). It means that by the time the转载 2017-06-10 11:35:52 · 718 阅读 · 0 评论 -
ubuntu14.04掉nividia驱动问题及其解决方法
网上的解决方法:通过附加驱动安装显卡驱动后有些不满意需要换驱动首先要卸载驱动 以我安装的nvidia-331-updates为例如果你安装的其它版本,请自行更改命令sudo apt-get remove --purge nvidia-331-updates如果安装的是官网下载的驱动则重新运行run文件来卸载sh ./nvidia.run --uninstall原创 2017-03-04 15:35:02 · 456 阅读 · 0 评论 -
window环境下python2和python3共存时使用pip
首先查看下pip的路径,在命令行中输入where pip:这里说明了你的环境变量中有2个pip版本。比如:如果想安装python2的库,那么C:\Windows\system32>D:\Users\fg\Anaconda2\Scripts\pip.exe install XXXX如果想安装python3的库,那么C:\Windows\system32>C:\Users\原创 2017-03-05 15:15:51 · 566 阅读 · 0 评论 -
caffemodel中的参数及特征的抽取
如果用公式 y=f(wx+b)来表示整个运算过程的话,那么w和b就是我们需要训练的东西,w称为权值,在cnn中也可以叫做卷积核(filter),b是偏置项。f是激活函数,有sigmoid、relu等。x就是输入的数据。数据训练完成后,保存的caffemodel里面,实际上就是各层的w和b值。我们运行代码:deploy=root + 'mnist/deploy.pr原创 2017-03-23 10:04:22 · 740 阅读 · 0 评论 -
caffe接口及命令操作
caffe的运行提供三种接口:c++接口(命令行)、Python接口和matlab接口。本文先对命令行进行解析,后续会依次介绍其它两个接口。caffe的c++主程序(caffe.cpp)放在根目录下的tools文件夹内, 当然还有一些其它的功能文件,如:convert_imageset.cpp, train_net.cpp, test_net.cpp等也放在这个文件夹内。经过编译后,这些文原创 2017-03-31 10:29:22 · 357 阅读 · 0 评论 -
目标检测最新方法介绍
Jump to...LeaderboardPapersR-CNNMultiBoxSPP-NetDeepID-NetNoCFast R-CNNDeepBoxMR-CNNFaster R-CNNYOLOAttentionNetDenseBoxSSDInside-Outside Net (ION)G-CNNHyperNetMultiPathNetCRAFTOHEMR-FCNMS-转载 2017-04-18 23:13:33 · 2738 阅读 · 0 评论 -
Detection物体检测及分类方法总结(RFCN/SSD/RCNN/FastRCNN/FasterRCNN/SPPNet/DPM/OverFeat/YOLO)
这里搜集了一些关于物体检测的方法分析和介绍,看好哪个可以去详细研究一下,基本都有论文或代码的链接。这里是简述各种方法,下面有详细叙述方法选择:========DPM=========使用传统的slider window的方法 计算量非常大========OverFeat====改进了Alex-net,并用图像缩放和滑窗方法在test数据集转载 2017-05-12 09:15:02 · 1971 阅读 · 0 评论 -
检测和分割的一些技术路线和方法
1. R-CNN:Rich feature hierarchies for accurate object detection and semantic segmentation技术路线:selective search + CNN + SVMsStep1:候选框提取(selective search)训练:给定一张图片,利用seletive search方法从中提转载 2017-05-12 09:18:06 · 6378 阅读 · 0 评论 -
RFCN论文笔记
R-FCN论文阅读(R-FCN: Object Detection via Region-based Fully Convolutional Networks ) 目录作者及相关链接方法概括方法细节实验结果总结参考文献 作者及相关链接作者:作者链接:代季峰,何恺明,孙剑论文链接:论文传送门代码链接:matlab版,p转载 2017-05-12 15:46:05 · 41963 阅读 · 10 评论 -
条件随机场CRF
全连接条件随机场(DenseCRF)对于每个像素i具有类别标签xi还有对应的观测值yi,这样每个像素点作为节点,像素与像素间的关系作为边,即构成了一个条件随机场。而且我们通过观测变量yi来推测像素i对应的类别标签xi。条件随机场如下: 条件随机场符合吉布斯分布:(此处的x即上面说的观测值) P(X=x|I)=1Z(I)exp(−E(x|I))其中的E(x|I原创 2017-05-13 09:30:25 · 7173 阅读 · 1 评论 -
YOLO9000: Better,Faster,Stronger论文笔记
原文下载:https://arxiv.org/pdf/1612.08242v1.pdf 工程代码:http://pjreddie.com/darknet/yolo/目录目录摘要简介BETTERFasterStronger总结要说的摘要提出YOLO v2 :代表着目前业界最先进物体检测的水平,它的速度要快过其他检测系统(Fast转载 2017-05-14 22:24:25 · 537 阅读 · 0 评论 -
利用caffe的solverstate在意外断电退出时继续训练
caffe可以在遇到突然断开时候重新训练。在训练的时候不仅会保存当前模型的参数(也就是caffemodel)文件,也会把训练到当前状态信息全部保存下来,这个文件就是solverstate文件。只要在训练的时候加上snapshot参数就可以了./build/tools/caffe train --solver=models/bvlc_reference_caffenet/solver.p原创 2017-05-18 15:19:24 · 2007 阅读 · 0 评论 -
DSOD: Learning Deeply Supervised Object Detectors from Scratch 论文解读
原网址:http://blog.csdn.net/u014380165/article/details/77110702论文:DSOD: Learning Deeply Supervised Object Detectors from Scratch 论文链接:https://arxiv.org/abs/1708.01241 caffe代码:https://github.com/szq0214/D...转载 2018-02-23 18:00:43 · 649 阅读 · 0 评论