![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
文章平均质量分 65
Ethan_Wuuu
进击的菜鸟。
展开
-
深度学习笔记(持续更新)
网络可视化工具:http://ethereon.github.io/netscope/#/editor原创 2017-06-01 16:52:04 · 447 阅读 · 0 评论 -
暑期复习计划。
coding能力: 要求:达到码农基本的编程水平 LeetCode(Medium) 《剑指offer》1 编程语言:c++基础 2 数据结构:数组,字符串,链表,树,堆和栈 3 算法能力:动态规划,查找和排序,递归和循环深度学习基础: 1 基本理论,为何深度学习有效 2 各类公式推导深度学习面试笔记汇总: https://zhuanlan.zhihu.com/p/25005808机器原创 2017-07-11 16:51:37 · 437 阅读 · 0 评论 -
集成学习(ensemble learning)
集成学习(ensemble learning)原创 2017-07-06 17:33:25 · 1050 阅读 · 0 评论 -
论文阅读:Fully Convolutional Instance-aware Semantic Segmentation
作者第一个提出了针对Instance-aware Semantic Segmentation的fully convolutional end-to-end solution 。针对为什么FCN不能用来做detection,作者解答: 卷积具有平移不变性,同样的像素在不同的位置有相同的响应。但是instence semantic segmentation考虑region level,相同的像素在不同原创 2017-08-07 18:14:16 · 958 阅读 · 0 评论 -
论文阅读:BiSeg: Simultaneous Instance Segmentation and Semantic Segmentation
这篇文章,继承了InstanceFCN和FCIS方法的思想,进一步做了优化和补充。创新点1:在InstanceFCN文章中描述的以7∗77*7作为每个单元格的分辨率时效果最好,本文考虑到在某些情况下9∗99*9效果也不错。所以提出多尺度融合的方法做进一步的优化。具体操作如下:在上一篇FCIS方法中,获得的score maps是2∗k2∗(C+1)2*k^2*(C+1)维,在本文中,考虑以下两条线针对原创 2017-08-08 10:42:13 · 1578 阅读 · 0 评论 -
论文阅读:Instance-Level Salient Object Segmentation
论文目的:saliency detection 和 salient object segmentation本文框架:首先,作者提出a deep multiscale refinement network(MSRNet),并用这个网络分别获得了salient region detection和salient object contour detection。其次,使用MCG方法,计算之前contour原创 2017-08-08 18:03:40 · 3965 阅读 · 5 评论 -
论文阅读:Instance-sensitive Fully Convolutional Networks
本文解决问题:Instance Segmentation。(无分类)motivation:FCN只能做detection,因为卷积对同样的像素在不同地方有相同的响应。但是如果需要做Instance Segmentation,就需要像素针对不同的Instance有不同的响应。为了解决这个问题,作者提出了InstanceFCN。在传统的FCN中,每个图像只生成一个score map,表示每个像素的值表示原创 2017-08-08 22:45:37 · 4721 阅读 · 1 评论 -
CNN基础知识
关于权值初始化方法文件 caffe/include/filler.hpp提供了7种权值初始化的方法,分别为:常量初始化(constant)、高斯分布初始化(gaussian)、positive_unitball初始化、均匀分布初始化(uniform)、xavier初始化、msra初始化、双线性初始化(bilinear)。 TYPE PARAM EXPLAIN Constant Va原创 2017-08-03 22:10:16 · 595 阅读 · 2 评论 -
论文阅读:Instance-aware Semantic Segmentation via Multi-task Network Cascades
论文框架:作者提出一种基于多任务的网络串联方法(Multi-task Network Cascade),解决问题实例分割(Instance-aware Semantic Segmentation)。该模型分成三个子网络,differentiate instance,estimate mask,category object。分别针对三个问题,获取region-level的检测框,得到pixel-le原创 2017-08-07 14:48:26 · 1781 阅读 · 0 评论