计算机视觉
文章平均质量分 85
Snoopy_Dream
这个作者很懒,什么都没留下…
展开
-
目标检测 - IoU-Net 直观深入理解
具体的研究背景可以参看这两篇,我这里只说一下我的直观理解。这两篇文章前因后果讲的可以,但是总觉得到底实现的过程是怎么样的,以及怎么给人一个直观的流程的感受,没有说到。推荐大家先看这两篇,然后再看看我的这篇,欢迎大家讨论。https://blog.csdn.net/u014380165/article/details/82025507https://www.jiqizhixin.co...原创 2019-03-16 13:18:43 · 1030 阅读 · 0 评论 -
训练技巧详解【含有部分代码】Bag of Tricks for Image Classification with Convolutional Neural Networks
论文地址:https://arxiv.org/pdf/1812.01187.pdf更多方法和代码可见:图像分类任务中的tricks总结 更多更全的tricks补充(补充链接也是福利满满~)目录2 训练过程(baseline复现原文精度,作为下面的基础)3 高效训练(大BS为出发,但部分小BS也适用)(效率改进...原创 2018-12-11 22:07:40 · 6440 阅读 · 2 评论 -
如何正确设置验证集 如何设置一个好的初始学习率
我在一开始就犯了这个错误。我随机分割数据集,获得了超过99.6%的惊人的良好验证准确性。测试准确性仅为87%时,我感到很惊讶: 测试准确性和验证准确性之间的巨大差异是验证集设计不当或过度拟合验证集。正确的方法是找到一系列图像,并将每个系列全部放入训练或验证集中,确保它们不会分割成两个。要了解关于创建一个好的验证集的更多信息,请阅读Rachel Thomas撰写的这篇文章。www.fast....原创 2018-12-15 22:20:22 · 3343 阅读 · 0 评论 -
反卷积(deconvolution)的理解 +上采样(UNSampling)与上池化(UnPooling)
像往常一样,举个梯子:https://blog.csdn.net/A_a_ron/article/details/79181108 上采样( (UNSampling)与上池化(UnPooling)https://www.zhihu.com/question/43609045/answer/132235276 反卷积 deconvolution networks 在网络解码器结构中...原创 2018-11-30 20:11:20 · 17053 阅读 · 2 评论 -
感受野 深度理解
知乎是个好东西,深入理解一些理念,靠博客是不行的。感受野计算和理解的内容参考自:https://zhuanlan.zhihu.com/p/44106492/https://zhuanlan.zhihu.com/p/40267131后两个卷积的内容参考自:https://www.zhihu.com/question/54149221目录一、卷积后特征图维度的公式二:感受野介...原创 2018-11-30 18:20:35 · 12967 阅读 · 2 评论 -
CV精华文章分类汇总
52CV精华文章分类汇总(2018年10月16日)目标检测:Softer-NMS:CMU&旷视最新论文提出定位更加精确的目标检测算法重磅!商汤&港中文等将开源ECCV2018MS COCO检测比赛冠军代码库ECCV18 | 如何正确使用样本扩充改进目标检测性能(附Github地址)ECCV18 | 无监督难分样本挖掘改进目标检测开源目标检测算法用于交通...转载 2018-10-18 16:45:57 · 468 阅读 · 0 评论 -
目标检测比赛的奇技淫巧(tricks)
Kaggle实战目标检测奇淫技巧合集这个链接很棒~Bag of Freebies for Training Object Detection Neural Networks采用贴近anchor box的数据增强方法,增加样本的尺度多样性。 提高小样本出现的概率,从而提高小样本的检测能力 Dilated-convolution on RPN(也就类似dssd ssh等等,检测模块那里d...原创 2018-09-03 21:02:29 · 11496 阅读 · 3 评论 -
论文总结:IOU-Net (Acquisition of Localization Confidence for Accurate Object Detection)
论文地址:https://arxiv.org/abs/1807.11590 代码地址:https://github.com/vacancy/PreciseRoIPooling 1.论文的出发点 传统的2-stage的目标检测算法中,分类和定位被用不同的方法解决。一般算法逻辑上可理解为先区分前后景,然后检测到的边界框与其中一个真值边界框大于阈值IoU,则认为它是正样本, 此目标可能与定...原创 2018-09-04 17:29:52 · 2238 阅读 · 3 评论 -
深度剖析 | SN 可微分学习的自适配归一化 (Switchable Normalization)
补充:NIPS 2018 | MIT新研究参透批归一化原理根据最新的研究,BN层的成功和协方差什么的没有关联!证明这种层输入分布稳定性与 BatchNorm 的成功几乎没有关系。相反,我们发现 BatchNorm 会对训练过程产生更重要的影响:它使优化解空间更加平滑了。这种平滑使梯度更具可预测性和稳定性,从而使训练过程更快。而且BatchNorm 并不是最好(唯一)的平滑解空间的方法,有时...转载 2018-07-12 10:15:08 · 6048 阅读 · 0 评论 -
目标检测训练数据旋转python代码——数据增广(一)
转载请在首行附上原文链接!有帮助的话记得点ge赞.针对目标检测任务,对训练数据做旋转进而达到数据增广的python2代码,网上没找到,自己写了一份.另外附上一份,检查旋转后效果的Python代码(读取annotations中xml,画图的代码),在最下面# -*- coding:utf-8 -*-# !/usr/bin/env pythonimport osimport cv...原创 2018-06-13 22:27:51 · 5811 阅读 · 20 评论 -
目标检测经典论文——训练过程总结
最近又一次复习下经典论文,在此记录下前人的论文上的训练过程。YOLO v1 我们在ImageNet 1000类数据集上预训练我们的卷积层。预训练时我们使用图3中的前20为向量、一个平均池化层、一个全连接层。我们训练这个网络一周时间, 在ImageNet 2012数据集中获得了88%准确率排名位于前5名,与 Caffe上训练的模型中的GoogLeNet模型相当。我们使用 Dar...原创 2019-05-22 11:10:47 · 1239 阅读 · 0 评论