2017年09月__飞奔的蜗牛_

原创【目标检测】[论文阅读][yolo] You Only Look Once: Unified, Real-Time Object Detection

论文名称《You Only Look Once: Unified, Real-Time Object Detection》摘要1、之前的目标检测方法采用目标分类思想解决检测问题，本文提出一个基于回归的框架，用于目标的定位及识别。2、一个网络，一次预测即可获得目标的检测框（bounding boxs）和类别概率。3、所提目标检测框架运算速度非常快。基本YOLO 模型45帧/S。简化版本Fast

2017-09-24 15:59:47 1178

原创 faster-rcnn小刀

最近又把大神的faster rcnn程序搬出来，有点小感悟，小发现。非极大值抑制NMS,绝逼是个好东西，说明如下。proposal输出结果原始的proposal输出结果如下：疑似目标区域，如上，这是在逗我么，一团乱麻（6000个候选框）。经过非极大值抑制之后：啥感觉，是不是有点眉目了，NMS功不可没。但是，说实话，结果依然很凌乱，其实仅从性能来说，相比Selective Search

2017-09-14 23:52:57 471

原创【语意分割】[文章阅读]DeconvNet

文章《Learning Deconvolution Network for Semantic Segmentation 》

2017-09-11 10:28:15 494

原创【语义分割】[文章阅读]segNet

这里写链接内容文章《SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation》 github代码地址： https://github.com/alexgkendall/caffe-segnet1、网络构成：一个编码网络+一个对应的解码网络+各像素分类层。 2、编码网络由VGG16网络的前

2017-09-11 09:15:18 1149

原创 dropout个人理解

1、dropout中概率参数p，是指单个神经元被丢弃的概率。 2、训练阶段droup的开关放在激活值之后， 3、测试阶段，每个激活值后乘以q（保留概率），以此来缩放激活函数。 4、某一层有n个神经元，则一次迭代丢弃的神经元个数是不确定的，它是个随机变量，服从二项分布。 5、经过多轮训练，某层神经元平均丢弃的个数为概率为n*p。 6、在n*p处的概率最大，并以p=0.5为左右对称分布。

2017-09-10 11:31:56 893

原创 FCN测试结果

刚刚跑完FCN网络，先上几张图展示一下效果，效果还是挺不错。以sift-flow数据集为例。原图分割结果如上所示，道路、山峰和天空均分割出来了。

2017-09-07 14:19:41 1949 4

原创 caffe添加C++层和python层定义

caffe的网络层类型注册机制。我们知道，caffe中有很多网络层(layer)，每个层并单独定义成一个c++类，如卷积层class ConvolutionLayer、class PoolingLayer等。当我们自定义一个层结构，该如何融入caffe架构里去呢？为了实现这个目的，需要首先了解一下caffe层的构建机制。1. 编写源文件及头文件首先，编写自己类（Mytest）的头文件、源文件：M

2017-09-06 17:10:31 2463 1

原创全卷积网络FCN几点认识

FCN全卷积网络，作为语义分割的鼻祖，研究了一下，但是，其中几个问题一直没有想明白，现汇总一下。 1、首个卷积层为什么pad=100 ？我们从VGG16网络结构中探究原因。 VGG16的特点是，conv5之前的卷积层均使用卷积核 kernel_size=3,pad=1,因此，卷积前后不改变数据尺寸，改变featrueMap的尺寸只有pooling层。现在我们只考虑pooling层，所有p

2017-09-04 10:38:07 828

dataningwei的博客