- 博客(8)
- 收藏
- 关注
RSS订阅转载 Caffe 代码解读之 softmax layer
转自http://zhangliliang.com/2015/05/27/about-caffe-code-softmax-loss-layer/关于softmax回归看过最清晰的关于softmax回归的文档来源自UFLDL，简单摘录如下。softmax用于多分类问题，比如0-9的数字识别，共有10个输出，而且这10个输出的概率和加起来应该为1，所以可以用一个softmax操作归一
2016-03-13 18:57:03
8672
原创 Caffe 代码解读之全连接层concat layer
今天，我们看一下caffe的拼接层，即将两个或多个layer进行拼接。 包括前向传播、反向传播、reshape，axis、CHECK_**、count函数等
2016-03-13 11:43:14
27848
10
原创 Caffe 代码解读之全连接层 inner product layer
caffe 代码解读 全连接层 inner product layercaffe_cpu_gemv caffe_cpu_gemm axis
2016-03-12 11:48:57
15910
3
翻译 Rich feature hierarchies for accurate object detection and semantic segmentation论文笔记
Abstract:贡献主要有两点1：可以将卷积神经网络应用region proposal的策略，自底下上训练可以用来定位目标物和图像分割 2：当标注数据是比较稀疏的时候，在有监督的数据集上训练之后到特定任务的数据集上fine-tuning可以得到较好的新能，也就是说用Imagenet上训练好的模型，然后到你自己需要训练的数据上fine-tuning一下，检测效果很好。
2016-01-24 21:32:22
1022
翻译 A Large-Scale Car Dataset for Fine-Grained Categorization and Verification论文笔记
摘要：主要工作1 收集了一个很大的数据集并且有丰富的标签信息（compcar）主要工作2 基于以上的数据集做的(car model classification、car model verification、 attribute prediction) 主要围绕细粒度分类和验证，都是基于CNN的方法.
2016-01-24 21:11:26
2727
翻译 Visualizing and Understanding Convolutional Networks论文笔记
本文是Matthew D.Zeiler 和Rob Fergus 13年的论文，主要通过Deconvnet（反卷积）来可视化卷积网络，来理解卷积网络，并进行分析和调优；本文通过反卷积，将Alex-net可视化，做了大量的实验，分析了卷积网络的各种性质，提出了在imagenet数据集训练数据之后在其他数据集进行fine-tuning的方法。
2016-01-24 20:51:39
1424
翻译 ImageNet Classification with Deep Convolutional Neural Networks论文笔记
这篇文章非常经典，NIPS 2012的文章，讲了一些基础知识，介绍了Alex-net网络，使用深度神经网络在ImageNet上进行分类。Abstract本文训练了一个深度卷积神经网络，将ILSVRC-2010中1.2million的高分辨率图像数据分为1000类。测试结果，Top-1和Top-5的错误率分别为37.5%和17%，优于当时最优的水平。
2016-01-24 20:44:53
1051
翻译 Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks论文笔记
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks这篇文章讲述了 Faster R-CNN,介绍了 RPN、Translation-Invariant Anchors、loss-function 等概念。实现了 RPN 网络和 Fast-RCNN 网络的融合,即,在提取 OP 的同时进行物体检测。
2016-01-24 20:31:27
5854
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人