DL
eternity1118_
不积跬步无以至千里,不积小流无以成江海
展开
-
Ubuntu14.04下Caffe安装与问题总结
随着AlphaGo大胜李世石,让深度学习再次火了一把,小主在叹服之余,也赶紧开始着手搭一个DL的学习框架玩玩,平复下我现在异常鸡冻的心情;那么多开源框架,Caffe,Theano,CGT,Torch,Mxnet,Keras,Matconvnet,以及刚开源没多久的TensorFlow,我到底要选择哪个来跑呢,本着一切从简的原则,然而我最终选择了大坑Caffe,两个星期辗转于Mac与Ub原创 2016-03-31 13:34:56 · 2404 阅读 · 0 评论 -
MXNet:手把手教你如何用im2rec.py生成rec数据文件
第一步生成list文件第二步生成rec文件第一步:生成list文件首先,在你的MXNet目录下找到im2rec.py的位置:~/mxnet/tools/im2rec.py其次,准备好你要用来生成rec文件的数据集,存放在某个目录下,如:/home/xxx/data/现在,我们可以开始生成list文件了,文件后缀为:.lst python ~/mxnet/tools/im2rec.py –lis原创 2017-04-27 14:58:18 · 14620 阅读 · 4 评论 -
MXNet:训练自己的数据并做预测
Prepare the input dataBecause the input data’s formt of MXNet is rec,so we must turn the image into the .rec format,as folow:First, we prepare some face images data stored in ‘test_face’ file:step1:bui原创 2017-04-27 17:22:06 · 4272 阅读 · 4 评论 -
手把手教你Dlib+VS2013+Win7配置(详细)
下载文件Dlib下载官网 http://dlib.net/ 只push了最新版本;且最新版本要求vs2015github https://github.com/davisking/dlib 在分支里可以找到各种版本其它 http://dlib.net/files/ 这里有很多版本,还有人脸数据,以及模型文件等cmake下载版本数:需要2.8原创 2018-01-17 16:42:04 · 1704 阅读 · 1 评论 -
SSD系列算法扩展与优化
#SSD算法缺陷1)存在重复框的问题;2)对小目标检测不够鲁棒(因为浅层feature map的表征能力不够强)因此,针对以上问题,对传统SSD算法进行了扩展和优化;优化主要从两部分下手,一个是从主干网络,比如将传统的VGG16换成ResNet、DenseNet、MobileNet等;另一个则是从预测网络着手,寻找更好的特征表征方式来提高模型性能,比如通过反卷积引入上下文信息,丰富不同fea...原创 2019-03-29 15:14:44 · 3284 阅读 · 0 评论 -
常见传统目标检测算法
一 概览首先,我们先来看下目标检测的发展历程:1.2001年,V-J检测器诞生,主要用于人脸的检测;2.2006年,HOG + SVM的方法出现,主要用于行人的检测;3.2008年,rgb大神(记住这个人,后面的R-CNN系列检测算法也是出自他之手)研究出了著名的DPM算法,在深度学习方法成熟之前的很长一段时间里,就是这个算法一直在目标检测中发挥作用;以上算法是属于传统目标检测的算法...原创 2019-03-29 18:15:57 · 20286 阅读 · 2 评论 -
SSD算法通俗详解
算法简介 算法原理 样本构造 损失函数 使用细节#ssd算法:##简介刘伟在2016年提出,发表在ECCV;是一种通过直接回归的方式去获取目标类别和位置的one-stage算法,不需要proposal;作用在卷积网络的输出特征图上进行预测,而且是不同尺度,因此能够保证检测的精度,图像的分辨率也比较低,属于端到端的训练;input->CNN->Lreg,LclsCNN特征-&g...原创 2019-03-28 14:41:55 · 6153 阅读 · 0 评论 -
two-stage与one-stage目标检测算法概览
two-stage检测算法1、特点1)主干网络为CNN,提取卷积特征;2)最早由rgb提出,典型代表为R-CNN;3)是一种端到端的目标检测算法(基于RPN网络);4)准确度高,速度相对one-stage慢;2、检测流程简单来说,就是首先产生候选区域,然后提取CNN特征,再进行区域分类和位置精修。3、常见算法代表算法有:R-CNN,Fast R-CNN,Faster R-CNN...原创 2019-04-23 17:44:07 · 4003 阅读 · 0 评论 -
目标检测之R-CNN通俗详解
算法介绍R-CNN算法由rbg大神在2014年提出,在此之前,传统的目标检测算法还存在性能和速度上的巨大瓶颈,而R-CNN的提出无疑在性能和速度上都对传统目标检测算法是一个很大的提升。尽管R-CNN在算法框架和模型上仍然类似于传统目标检测算法,但是它的突破点就在于利用CNN卷积网络提取深度特征,区别于传统算法中的类似于颜色、纹理等低层次特征。主要步骤接下来,我们来看下R-CNN是如何使用C...原创 2019-04-29 15:56:24 · 708 阅读 · 0 评论 -
目标检测之Fast R-CNN通俗详解
Fast R-CNN 介绍R-CNN算法除了候选框选取上耗时的缺陷外,另外一个最大的缺陷就是矩形框重叠部分的特征提取存在重复计算,针对这个缺陷,R-CNN的作者继续发力,又提出了R-CNN的快速版本,即Fast R-CNN。Fast R-CNN就是R-CNN结合SPPNet所做的改进和优化,采用了ROI Pooling层来完成image的crop或者warp,得到固定尺寸的输出给到fc层(这里...原创 2019-04-29 18:02:58 · 594 阅读 · 0 评论 -
目标检测之Faster R-CNN通俗详解
算法简介我们都知道,Fast R-CNN虽然提高了目标检测算法质的飞跃,但是在Fast R-CNN中仍然存在很大的瓶颈,那就是候选框选取特别耗时的问题,而Faster R-CNN恰恰就是在这一问题上的解决方案。关于Faster R-CNN,是rgb在2015年提出,他将proposal的提取、特征提取、boundingbox回归和分类都放到一个网络中,提高了算法的整体性能。Faster R...原创 2019-05-05 18:51:31 · 1277 阅读 · 0 评论 -
深度学习几大主流框架的对比
简介文档与性能网络与模型能力生态与维护框架搭建与应用架构1 TensorFlow2 Caffe3 MXNet4 Paddle5 CNTK总结1.简介2.文档与性能3.网络与模型能力 4.生态与维护5.框架搭建与应用6.架构6.1 TensorFlow6.2 Caffe6.3 MXNet 6.4 Paddle主要从以下几个方面入手:多机并行架构、多GPU并行架构、seque原创 2017-05-03 17:29:17 · 3432 阅读 · 0 评论 -
Ubuntu14.04下MXNet安装
Ubuntu1404下MXNet安装安装流程step0 安装基本的依赖包step1 安装CUDAstep2 安装cudnnstep3 下载MXNet源码step4 安装OpenCVstep5 安装MXNet for Pythonstep6 安装Python的相关库step7 测试MXNet是否安装成功参考链接Ubuntu14.04下MXNet安装MXNet是一个轻量化分布式且可原创 2017-02-15 12:01:40 · 5373 阅读 · 0 评论 -
基于DL的计算机视觉(8)-- 神经网络是如何训练的
1.训练在前一节当中我们讨论了神经网络静态的部分:包括神经网络结构、神经元类型、数据部分、损失函数部分等。这个部分我们集中讲讲动态的部分,主要是训练的事情,集中在实际工程实践训练过程中要注意的一些点,如何找到最合适的参数。1.1 关于梯度检验之前的博文我们提到过,我们需要比对数值梯度和解析法求得的梯度,实际工程中这个过程非常容易出错,下面提一些小技巧和注意点:使用中心化转载 2016-08-11 11:48:32 · 1030 阅读 · 0 评论 -
基于DL的计算机视觉(9)--神经网络之动手实践
1.引言前面8小节,算从神经网络的结构、简单原理、数据准备与处理、神经元选择、损失函数选择等方面把神经网络过了一遍。这个部分我们打算把知识点串一串,动手实现一个简单的2维平面神经网络分类器,去分割平面上的不同类别样本点。为了循序渐进,我们打算先实现一个简单的线性分类器,然后再拓展到非线性的2层神经网络。我们可以看到简单的浅层神经网络,在这个例子上就能够有分割程度远高于线性分类器的效果。转载 2016-08-11 11:52:10 · 793 阅读 · 0 评论 -
基于DL的计算机视觉(10)-- 详谈CNN
1. 前言前面九讲对神经网络的结构,组件,训练方法,原理等做了介绍。现在我们回到本系列的核心:计算机视觉,神经网络中的一种特殊版本在计算机视觉中使用最为广泛,这就是大家都知道的卷积神经网络。卷积神经网络和普通的神经网络一样,由『神经元』按层级结构组成,其间的权重和偏移量都是可训练得到的。同样是输入的数据和权重做运算,输出结果输入激励神经元,输出结果。从整体上看来,整个神经网络做的事情,依旧转载 2016-08-11 11:54:37 · 1069 阅读 · 2 评论 -
基于DL的计算机视觉(11)-- 基于DL的快速图像检索系统
1.引言本系统是基于CVPR2015的论文《Deep Learning of Binary Hash Codes for Fast Image Retrieval》实现的海量数据下的基于内容图片检索系统,250w图片下,对于给定图片,检索top 1000相似时间约为1s,其基本背景和原理会在下文提到。2.基本问题与技术大家都知道,基于内容的图像检索系统是根据图像的内容,在已转载 2016-08-11 11:59:19 · 1079 阅读 · 0 评论 -
基于DL的计算机视觉(1)-- Python基础介绍
1.背景计算机视觉/computer vision是一个火了N年的topic。持续化升温的原因也非常简单:在搜索/影像内容理解/医学应用/地图识别等等领域应用太多,大转载 2016-08-11 11:18:50 · 1025 阅读 · 0 评论 -
基于DL的计算机视觉(2)--实现图像分类最简单的方法:KNN
1. 图像分类问题这是人每天自然而然会做的事情,普通到大部分时候,我们都感知不到我们在完成一个个这样的任务。早晨起床洗漱,你要看看洗漱台一堆东西中哪个是杯子,哪个是你的牙刷;转载 2016-08-11 11:21:05 · 2733 阅读 · 0 评论 -
基于DL的计算机视觉(3)-- SVM和Softmax分类器
1. 线性分类器在深度学习与计算机视觉系列(2)我们提到了图像识别的问题,同时提出了一种简单的解决方法——KNN。然后我们也看到了KNN在解决这个问题的时候,虽然实现起来非转载 2016-08-11 11:23:19 · 1662 阅读 · 0 评论 -
基于DL的计算机视觉(4)-- SGD
1. 引言上一节深度学习与计算机视觉系列(3)_线性SVM与SoftMax分类器中提到两个对图像识别至关重要的概念:用于把原始像素信息映射到不同类别得分的得分函数/转载 2016-08-11 11:25:39 · 926 阅读 · 0 评论 -
基于DL的计算机视觉(5)--理解反向传播
1. 引言其实一开始要讲这部分内容,我是拒绝的,原因是我觉得有一种写高数课总结的感觉。而一般直观上理解反向传播算法就是求导的一个链式法则而已。但是偏偏理解这部分和其中的转载 2016-08-11 11:29:21 · 960 阅读 · 0 评论 -
基于DL的计算机视觉(6)-- 神经网络
1.神经元与含义大家都知道最开始深度学习与神经网络,是受人脑的神经元启发设计出来的。所以我们按照惯例也交代一下背景,从生物学的角度开始介绍,当然也是对神经网络研究的先驱们致一转载 2016-08-11 11:31:26 · 822 阅读 · 0 评论 -
基于DL的计算机视觉(7)-- 数据的预处理、正则化
1. 引言上一节我们讲完了各种激励函数的优缺点和选择,以及网络的大小以及正则化对神经网络的影响。这一节我们讲一讲输入数据预处理、正则化以及损失函数设定的一些事情。2. 数据与网络的设定前一节提到前向计算涉及到的组件(主要是神经元)设定。神经网络结构和参数设定完毕之后,我们就得到得分函数/score function(忘记的同学们可以翻看一下之前的博文),总体说来,一个完整的神经转载 2016-08-11 11:34:29 · 1536 阅读 · 0 评论 -
目标检测之SPPNet通俗详解
R-CNN算法中我已经知道了它的几个缺点,分别是:提取候选框耗时、重复计算、多次训练;针对以上几个缺点,作者对R-CNN做了改进和优化,改进的主要突破就在于对卷积特征进行共享,避免重复计算,减小计算量。先来看下下面这张图,第一行就是原始R-CNN的特征提取和表示的过程:由于要将同一个卷积层的输出作为FC层的输入,所以必须要保证feature map的大小一致(因为全连接层对特征个数有严格要求...原创 2019-04-30 12:29:45 · 913 阅读 · 0 评论