- 博客(6)
- 收藏
- 关注
RSS订阅原创 吴恩达deeplearning之CNN—卷积神经网络入门
1.边界检测示例假如你有一张如下的图像，你想让计算机搞清楚图像上有什么物体，你可以做的事情是检测图像的垂直边缘和水平边缘。 如下是一个6*6的灰度图像，构造一个3*3的矩阵，在卷积神经网络中通常称之为filter，对这个6*6的图像进行卷积运算，以左上角的-5计算为例 3∗1+0∗0+1∗−1+1∗1+5∗0+8∗−1+2∗1+7∗0+2∗−1=−53*1+0*0+1*-1+1*1+5*0+
2017-11-28 22:48:55
161606
80
原创 吴恩达deeplearning之CNN—人脸识别与风格化转换(2)
6.什么是神经网络风格转换把下图content的内容转换成Style风格的图像，结果如下Generate图像所示。 7.什么是深度卷积网络这部分通过一些可视化例子来理解，深度卷积网络在学习一些什么东西。 假如训练了一个Alex卷积网络，我们来详细看网络隐藏单元 从第一层的隐藏单元开始，假设遍历了训练集，然后发现最大化激活运算单元的图片或图片是什么，换句话说，将你的训练集经过神经网络然后弄明白哪
2017-11-26 20:46:04
2858
原创 吴恩达deeplearning之CNN—人脸识别与风格化转换(1)
1.什么是人脸识别这部分演示了百度总部大楼的人脸识别系统，员工刷脸进出办公区，在这个演示中主要应用到了人脸识别技术和活体检测。 人脸识别的术语： 1）face verification：输入图像、名字ID判断输入图像是不是名字ID指定的用户 2）face recognition：有一个包含K个用户的数据库，拿到一幅图片，然后判断图片中的人是不是在数据库中，在输出指定用户name，不在就输出未识
2017-11-23 22:57:37
9237
3
原创 吴恩达deeplearning之CNN—目标检测(2)
5. Bounding Box预测 这一部分主要讨论看怎么能得到更为精准的边界框。 在滑动窗口算法中，通过取离散的位置集合然后再上面跑分类器，在有的情况下这些边界框没有一个能完美匹配汽车位置，甚至最合适的边界框可能并不是正方形而是长方形，怎么让边界框的输出更为精准？ 其中一个能得到更精准的边界框的算法是YOLO算法，YOLO算法[1]的意思是你只看一次。比如你的输入图像
2017-11-21 23:08:40
2358
1
原创 吴恩达deeplearning之CNN—目标检测(1)
1 目标定位 这一周学习的主要内容是对象检测，它是计算机视觉领域一个新兴的应用方向,相比两年前，它的性能也越来越好，在构建对象检测之前，需要先了解一下对象定位。 对于图片分类任务大家都耳熟能详，算法通过遍历如下图片来判断其中是不是汽车。而对象定位不仅需要算法判断图片中是不是汽车，还要在图片中标记处它的位置，用边框或红色方框把车圈出来，这就是定位分类问题，在后面的章节我们还会分享如果同一幅
2017-11-20 22:39:51
6681
原创 吴恩达卷积神经网络笔记（2）—深度卷积网络:实例研究
一、 经典的卷积网络LeNet-5AlexNetVGGResNetInception1.1 LeNet-5(Lecun)6000 个参数 Gradient-based learning applied to document recognition(1998)1.2 AlexNet (Hinton)6000万个参数 ImageNet classification with deep
2017-11-13 15:56:11
1550
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人