深度学习与神经网络
文章平均质量分 70
那年聪聪
这个作者很懒,什么都没留下…
展开
-
YOLO_V8推理和模型格式转换
YOLO_V8推理和模型格式转换原创 2023-01-20 09:32:58 · 3094 阅读 · 2 评论 -
YOLO_V8训练自己的数据集
YOLO_V8训练自己的数据集原创 2023-01-19 17:53:37 · 8239 阅读 · 5 评论 -
深度学习训练、测试过程中常见的问题汇总
深度学习训练、测试过程中常见的问题汇总原创 2022-11-24 11:51:45 · 685 阅读 · 0 评论 -
轻量级网络:MobileNet V2
轻量级网络:MobileNet V2,及MobileNet V1的缺点说明原创 2021-12-12 17:57:03 · 4237 阅读 · 0 评论 -
caffe实现深度可分离卷积Depthwise Convolution
caffe实现深度可分离卷积Depthwise Convolution转载 2021-12-12 16:36:29 · 483 阅读 · 0 评论 -
数据增强方法:图片镜像、图片缩放、图片旋转、加噪点
图片镜像、图片缩放、图片旋转、加噪点转载 2021-12-12 11:55:53 · 1576 阅读 · 0 评论 -
深度学习:Depthwise卷积与Pointwise卷积
Depthwise卷积与Pointwise卷积的优势及参数量原创 2021-12-12 11:41:23 · 3495 阅读 · 1 评论 -
模型复杂度与硬件性能的衡量
参数数量、算力、带宽、模型复杂度等转载 2021-12-12 10:30:35 · 782 阅读 · 0 评论 -
精确率(precision)、召回率(recall)、准确率(accuracy)
精确率(precision)、召回率(recall)、准确率(accuracy)转载 2021-12-05 11:05:29 · 49889 阅读 · 7 评论 -
目标检测:YOLO V3(视频讲解)
与其看文章,不如先看一下这个讲解很清晰的视频:https://www.bilibili.com/video/av77348259?p=2原创 2020-03-22 17:45:34 · 876 阅读 · 0 评论 -
目标检测——存在的问题
1、anchor box会带来一些问题,比如模型的输出变得非常稠密,因为对应特征图中每个anchor box,都要输出一个4元组的位置预测和对应这个位置的物体分类的预测分数(C类),这样就会生成(C+4)×H×W×6个输出。考虑在多个特征图上进行检测,模型的输出会进一步增加。另外,anchor box需要手动设计,涵盖的尺度有限,一般通过对训练集中目标物体边框尺寸的真实值进行聚类得到,这样会造成对...原创 2020-03-15 15:28:59 · 2859 阅读 · 0 评论 -
目标检测——优化策略
1、对于基于anchor的检测器,由于大步幅导致的低召回率可以通过降低 positive anchor boxes 所需的IOU分数来缓解,即修改训练时的参数overlap;2、原创 2020-03-15 14:38:43 · 505 阅读 · 0 评论 -
不同框架下的默认图片通道顺序
Caffe: NCHWim=cv2.resize(im,(W,H))NCNN: CHWtensorflow: NHWCOpenCV: NHWCpytorch: NCHWmxnet: NCHW海思bgr: NCHW瑞芯微rknn: NHWCscipy.misc: NHWC原创 2020-02-24 22:19:14 · 1113 阅读 · 0 评论 -
Caffe入门:使用训练好的模型进行测试
使用Caffe训练得到的caffemodel测试图片:#Caffe 使用训练好的模型进行测试import numpy as npimport caffeimport sysimport oscaffe_root = '/caffe/'model_name = 'MobileNet.caffemodel'sys.path.insert(0, caffe_root+'pyth...原创 2020-02-24 22:14:24 · 539 阅读 · 0 评论 -
损失函数:Center Loss
Center Loss是通过将特征和特征中心的距离和softmax loss一同作为损失函数,使得类内距离更小,有点L1,L2正则化的意思。最关键是在训练时要使用2个Loss函数:Softmax Loss+ lamda* Center Loss原创 2020-02-22 16:17:25 · 20250 阅读 · 6 评论 -
ncnn:网络模型加速
深度学习算法要在手机上落地,caffe依赖太多,手机上也没有cuda,需要个又快又小的前向网络实现,ncnn就诞生了,它目前支持以下平台:跨平台,主要支持 android,次要支持 ios / linux / windows。原创 2020-02-19 17:15:12 · 1632 阅读 · 0 评论 -
轻量级网络:减少参数量的几种方法
各种减少参数量的方法原创 2020-02-16 21:55:49 · 10289 阅读 · 0 评论 -
轻量级网络:Bottleneck结构(沙漏型结构)
Bottleneck结构为之后的深度可分离卷积Depthwise Separable Conv打下了坚实的基础。原创 2020-02-16 21:26:51 · 27766 阅读 · 4 评论 -
轻量级网络:SqueezeNet(2016)
SqueezeNet可以极大地减少参数的数量,相较AlexNet参数减少50倍以上,但是这个过程增加了更多的“乘—加”运算,在速度上没有明显提升。不过,同样是轻量级网络的MobileNet就实现了参数量和计算量同时减少的功能。原创 2020-02-16 17:46:02 · 530 阅读 · 0 评论 -
轻量级网络:MobileNet和SqueezeNet的比较
MobileNet兼顾了减少参数量和计算量的优点,广泛应用于移动端。原创 2020-02-16 17:27:16 · 2645 阅读 · 1 评论 -
用两个3*3代替5*5卷积的优点
虽然3*3的卷积核计算量较大,但是参数数目较5*5少很多,在用3*3卷积核参与卷积运算时计算机的处理速度会快很多。该优化方法在早期的VGG网络中很常见。而且,使用2个3*3替换一个5*5使得网络的深度(层数)增加,非线性表达特征的能力就会增强。原创 2020-02-16 17:01:18 · 2983 阅读 · 1 评论 -
SSD的MultiBoxLoss层的multibox_loss_param说明
以下是MultiBoxLoss的multibox_loss_param:multibox_loss_param { loc_loss_type: SMOOTH_L1 conf_loss_type: SOFTMAX loc_weight: 1.0 num_classes: 2 share_location: true match_type: PE...原创 2020-02-14 16:54:41 · 375 阅读 · 0 评论 -
深度学习:调参技巧
3x3卷积是CNN的主流组件。平时有设计一些解决分类,回归任务的网络,里面的卷积核基本都设置为3x3,VGG16中就用两个3x3的卷积核堆叠能获得5x5卷积核的感受野并且参数比5x5卷积核少,所以是大量推荐使用的。NNCC:2个3*3的卷积核参数量:2*(3*3)=18,3*5的卷积核参数量:5*5=25.即感受野相同的情况下,参数量大大减少(上面情况减少约28%的参数量)。参数量计算:...原创 2020-02-13 16:21:04 · 532 阅读 · 0 评论 -
目标检测:Feature Pyramid Networks(FPN)
FPN(Feature Pyramid Network)算法同时利用低层特征高分辨率和高层特征的高语义信息,通过融合这些不同层的特征达到预测的效果。并且预测是在每个融合后的特征层上单独进行的。原创 2020-02-09 17:45:57 · 790 阅读 · 0 评论 -
目标检测:各种网络结构对比
包含FPN等常用的网络结构。原创 2020-02-09 16:20:24 · 4308 阅读 · 0 评论 -
损失函数:Focal Loss
Focal Loss解决两个问题:1> 正负样本不平衡; 2>easy和hard examples不平衡问题。原创 2020-02-08 17:25:20 · 11617 阅读 · 1 评论 -
目标检测:anchor box
anchor box需要手动设计,涵盖的尺度有限,一般通过对训练集中目标物体边框尺寸的真实值进行聚类得到,这样会造成对一些形变较为严重的物体检测造成困难。转载 2020-02-07 18:02:52 · 1540 阅读 · 0 评论 -
目标检测:YOLO(You Only Look Once)
YOLO作为one stage 检测模型的开端,为了解决上述的two stage的典型弊端而生,主要想法就是对于原图进行区域划分,不再进行Region Proposal环节,每个区域就负责回归对应的目标的位置及类别就好,效果也很显著,在GPU机器能够实现45fps,Fast YOLO能够实现155fps,另外对背景的误判率也显著低于RCNN系列。同时有个很有意思的点,YOLO因为能够考虑到图像全局信息,在模型的迁移和泛化效果上要好于其他检测网络。原创 2020-02-06 18:18:22 · 1542 阅读 · 0 评论 -
目标检测:各个检测网络的差异
two-stage:R-CNN、Fast R-CNN、Faster R-CNN将检测结果分为两部分求解:物体类别(分类问题),物体位置即bounding box(回归问题);one-stage:YOLO将物体检测作为一个回归问题进行求解,输入图像经过一次inference,便能得到图像中所有物体的位置和其所属类别及相应的置信概率。...原创 2020-02-06 17:21:34 · 697 阅读 · 0 评论 -
目标检测:Faster R-CNN
Faster R-CNN = RPN + Fast R-CNN原创 2020-02-05 18:17:31 · 299 阅读 · 0 评论 -
目标检测:Fast R-CNN
Fast R-CNN = R-CNN + SPP原创 2020-02-04 21:19:40 · 412 阅读 · 0 评论 -
目标检测:R-CNN
R-CNN:Region-CNN,是第一个成功将深度学习应用到目标检测上的算法。R-CNN基于卷积神经网络(CNN),线性回归,和支持向量机(SVM)等算法,实现目标检测技术。原创 2020-02-04 21:11:25 · 784 阅读 · 0 评论 -
目标检测中的图像缩放
目标检测中使用“直接缩放到目标尺寸”的缩放方式精度最高。原创 2020-02-04 15:12:04 · 2538 阅读 · 0 评论 -
非极大值抑制(NMS)
非极大值抑制(NMS)就是抑制不是极大值的元素,搜索局部的极大值。转载 2020-02-04 14:59:02 · 395 阅读 · 0 评论 -
迁移学习
迁移学习:把一个任务训练好的参数,拿到另外一个任务,作为神经网络的初始参数值,这样相比于你直接采用随机初始化的方法,精度可以有很大的提高。原创 2020-02-04 14:51:20 · 204 阅读 · 0 评论 -
目标检测:SSD算法原理综述
SSD(Single Shot Detection)是一个流行且强大的目标检测网络,网络结构包含了基础网络(Base Network),辅助卷积层(Auxiliary Convolutions)和预测卷积层(Predicton Convolutions)。本文包含了以下几个部分:(1)理解SSD网络算法所需要理解的几个重要概念(2)SSD网络框架图(3)SSD网络中几个重要概念的详...转载 2020-02-02 11:02:40 · 10419 阅读 · 2 评论 -
Spyder致命bug
在Spyder中写完代码,开始运行的时候,总是显示之前的错误信息,即使你修改正确了,还是一直显示之前的错误信息,导致不能顺利运行。解决方案:File—Restart!!!...原创 2018-05-04 14:46:11 · 1798 阅读 · 4 评论 -
深度学习学习资料
Stanford CS231n课程:http://cs231n.stanford.edu/ MIT自动驾驶课程:https://selfdrivingcars.mit.edu/ Deep Learning书籍: http://deeplearningbook.org Foundational papers: http://deeplearning.net/reading-list 快速上手 htt...原创 2018-03-14 20:21:40 · 679 阅读 · 0 评论 -
用caffe作实际项目的话应该有几个比较重要的地方
用caffe作实际项目的话应该有几个比较重要的地方转载 2016-04-07 10:33:49 · 1425 阅读 · 0 评论