ddzr972435946的博客

本文集合了 Faster-RCNN 的关键技术，了解 CNN 以后就可以看本文。SelectiveSearch目标检测物体的候选框是如何产生的？　　如今深度学习火热的今天，RCNN/SPP-Net/Fast-RCNN等文章都会谈及bounding boxes(候选边界框)的生成与筛选策略。那么候选框是如何产生，又是如何进行筛选的呢？其实物体候选框获取当前主要使用图像分割与区域生长技术。区域生长(合并)主要由于检测图像中存在的物体具有局部区域相似性(颜色、纹理等)。目标识别与图像分割技术的发展进一

最近学习tensorflow，使用mnist数据集。数据的导入我都是自己写的代码，结果遇到一些问题，花了大半天才解决。1.最开始我用python自带的struct类，按unsigned int读取数据，在训练过程中，权重W很容易就变成了一堆NaN。后来才发现，输入的数据必须归一化。因为我们在随机生成W的时候，给他设置的变化范围本身就不大。如果输入数据都是[0,255]，很容易越界。关于数据归一化，...

最近思考了一下关于“卷积神经网络”该如何去理解的问题。很多文章说，越到后边的卷积层，就会有组合多个特征的能力。但是我们每个卷积层不是有很多卷积核吗，每个卷积核不是滤波器吗，前几层把特征都滤掉了。怎么得到的如下所示的图？后来我想到可以这样理解：假设一个卷积核可以过滤出横线，而且过滤效果非常好，那么图像经过它之后应该就变成一堆长短不一的横线。假设一个卷积核可以过滤出竖线，而且过滤效果非常好，那么图像经...

以下只写一些我花了点时间才理解的东西：       1、卷积tf.nn.conv2d()函数的理解：它其中有第二个参数是[filter_height, filter_width, in_channels, out_channels]。代码中第二次卷积，输入是64,输出也是64。他的意思是本层的每个卷积核都要对之前生成的64个图同时进行卷积。之前生成的64个特征图已经对一些简单特征进行了提取，这时再...

增加网络层数却导致更大的误差， 如下图。 这种deep plain net收敛率十分低下。原因：观察这张图可以看出，训练过程中两者的下降模式是差不多的，只不过56-layer的图像更“高”。也就是起点不好：初始化的时候，他需要生成56层随机数，结果能好吗？之所以这样能解决退化问题，我认为是，跨层连接降低了被跨层的重要性。深度可以提高准确率，却降低了泛化能力。使用更多的卷积核，降低深度，泛化会更好？...

import tensorflow as tfw = tf.constant(1.0)b = tf.constant(4.0)def myGraph(w,b): tf.add_to_collection("loss",w) tf.add_to_collection("loss",b) w=tf.add(w,1.0) b=tf.add(b,1.0) ...

原文：https://towardsdatascience.com/gans-vs-autoencoders-comparison-of-deep-generative-models-985cf15936ea想把马变成斑马吗？制作DIY动漫人物或名人？生成对抗网络（GAN）是您最好的新朋友。“Generative Adversarial Networks是过去10年机器学习中最有趣的想法。...

(也发布在at CMU ML.)作者：Wei Hu and Simon Du机器学习的传统观点认为，在训练误差和泛化差距之间要进行谨慎的权衡。模型的复杂性存在一个“最佳点”，因此模型（i）足够大，可以实现合理良好的训练误差，而模型（ii）足够小，可以泛化差距-测试误差和训练误差之间的差-可以控制。较小的模型会产生较大的训练误差，而使模型变大则会导致较大的泛化差距，两者都会导致较大的测试误...