机器学习
文章平均质量分 68
撄宁之境
这个作者很懒,什么都没留下…
展开
-
mac安装caffe(避免踩坑的脚本)
#本人把要踩得坑都踩完了,比如pycaffe和cv2一起import导致protobuf出现错误啦#opencv没被link导致找不到啦 #安装opencv brew install opencv3 --with-contrib --with-ffmpeg --with-tbb --with-qt5 --with-python export OpenCV_DIR=/usr/原创 2016-03-15 18:06:50 · 7149 阅读 · 1 评论 -
Face Alignment at 3000 FPS 阅读笔记
《Face Alignment at 3000 FPS》 又是msra孙剑组一篇cvpr大作,之前实现了他之前的一篇《Face Alignment by Explicit Shape Regression 》(ESR), 当时速度应该是50fps左右,新算法已经到了3000fps。前一篇的思路是双层随机蕨做回归器 + shape indexed feature(计算复杂度相当低)。这一次用的思路是原创 2016-07-06 17:18:30 · 3904 阅读 · 3 评论 -
初探随机蕨(Random Ferns)
最近在做人脸对齐的时候,看到两篇famous的文章《Face Alignment at 3000 FPS via Regressing Local Features》以及《Face Alignment by Explicit Shape Regression》都使用了随机蕨来做人脸特征点的回归预测。先回想一下随机森林。随机森林是很多棵决策树组成的,每颗决策树使用部分的训练样本以及部分的训练特征,并在原创 2016-06-21 20:44:05 · 7433 阅读 · 2 评论 -
人流密度(crowd counting)估计方法
人流密度估计方法在深度学习起来之前主要有两种,直接估计和间接估计。近两年又有几篇做的不错的是使用cnn来进行估计。面临的挑战要进行准确的人流密度估计,面临了如下的难点 1.低分辨率:可以看看UCF Crowd Counting 50这个数据集,在很多密集的情况下,一个人头的pixel可能只有5*5甚至更小,这就决定了基于检测的很多方法都行不通; 2.遮挡严重:在人群中,头肩模型都难以适用更不用说原创 2016-10-27 17:04:37 · 22052 阅读 · 7 评论 -
如何调试神经网络(深度神经网络)
神经网络的调试基本上难于绝大多数的程序,因为大部分的神经网络的错误不会以类型错误或运行时错误显现,他们只是使得网络难以收敛。如果你是一个新人,这可能会让你非常沮丧。一个有经验的网络训练者可以系统的克服这些困难,尽管存在着大量似是而非的错误信息,比如:你的网络训练的不太好。对缺少经验的人来说,这个信息令人却步;但对有经验的人来说,这是一个非常好的错误消息。它意味着样板代码已经偏移了正确道路,而且是时翻译 2016-10-27 20:37:24 · 3328 阅读 · 0 评论 -
使用caffe训练时Loss变为nan的原因
梯度爆炸原因:梯度变得非常大,使得学习过程难以继续现象:观察log,注意每一轮迭代后的loss。loss随着每轮迭代越来越大,最终超过了浮点型表示的范围,就变成了nan。措施:减小solver.prototxt中的base_lr,至少减小一个数量级。如果有多个loss layer,需要找出哪个损失层导致了梯度爆炸,并在train_val.prototxt中减小该层的loss_weight,而非是减小原创 2016-10-27 17:29:27 · 15048 阅读 · 0 评论 -
请各位支持参加深度学习数据翻译开源项目
https://github.com/ExtremeMart/DeepLearningBook-CN本项目是Ian Goodfellow 、 Yoshua Bengio 和Aaron Courville大神的Deep Learning Book的中文翻译开源项目,欢迎各位有志趣的人士加入!本人已翻译完成第一章,正在校对中,校对组现在还缺人,希望各位联系加入!原创 2016-11-19 16:50:43 · 1513 阅读 · 0 评论