机器学习
文章平均质量分 84
记录自己的学习经历
helpburn
这个作者很懒,什么都没留下…
展开
-
卷积神经网络——ResNet论文翻译
ResNet论文翻译原创 2022-03-18 17:30:27 · 4229 阅读 · 0 评论 -
卷积神经网络——YOLOv4论文翻译
论文链接:https://arxiv.org/abs/2004.10934YOLOv4: Optimal Speed and Accuracy of Object DetectionAbstract有大量的特性都自称可以提升卷积神经网络(CNN)的精度。仍然需要在大数据集上实际测试这些特性的组合并对结果进行理论证明。一些特性只能应用在特定模型上,或针对特定问题,或只应用与小尺度的数据集;另一些特征,像BN和残差连接可以应用到大部分的模型、任务和数据集上。我们假设通用的特征包括加权残差链接(WRC),跨原创 2021-10-20 17:20:38 · 2508 阅读 · 0 评论 -
卷积神经网络——YOLOv3论文翻译
论文链接:https://arxiv.org/abs/1804.02767YOLOv3: An Incremental ImprovementAbstract (摘要)我们提出了一些对YOLO的升级!我们做了一些小的设计修改来使它更好。我们同样训练了该新网络,它的表现非常不错。它比上一个版本大一点但是精度更高。别担心,它仍然足够快。使用320x320的输入时YOLOv3的执行速度为22ms得到mAP为28.2,与SSD精度一样高但是速度快了三倍。如果看老的检测指标——0.5IOU的mAP,YOLOv3原创 2021-08-02 17:48:40 · 1174 阅读 · 0 评论 -
卷积神经网络——YOLOV2(YOLO9000)论文翻译
论文链接:https://arxiv.org/abs/1612.08242YOLO9000: Better, Faster, StrongerAbstract我们介绍一个最先进的,实时的目标检测系统——YOLO9000,它可以检测超过9000种目标类型。首先我们提出了针对YOLO的各种改进方法,即有新的思路也借鉴了以往的工作。经过提升后的模型——YOLOv2,是在标准检测任务(像PASCAL VOC 和COCO)上表现最好的。通过使用一种新颖的多尺度的训练,相同的YOLOv2模型可以使用不同的输入大小原创 2021-07-16 11:10:09 · 871 阅读 · 2 评论 -
机器学习之评价指标(二)——分类评价指标
回归问题的评价指标见:https://blog.csdn.net/itlilyer/article/details/117880207现在我们介绍一下分类问题中常用的评价指标。在介绍评价指标前首先要了解"混淆矩阵"。"混淆矩阵"个人理解是一个分析一个分类模型对一个输入数据预测结果不同情况的说明矩阵。从表格中看到真实值和预测结果会有四种组合:真正(True Positive): 把标签也就是真实值为True的预测为Positive,比如,将一张小狗图片,标签为狗,预测结果也为狗。真负(True N原创 2021-07-08 18:11:07 · 1384 阅读 · 2 评论 -
机器学习之评价指标(一)——回归评价指标
CVnlp原创 2021-07-06 17:19:40 · 1585 阅读 · 2 评论 -
卷积神经网络——YOLOV1论文翻译
论文链接:https://arxiv.org/pdf/1506.02640.pdfYou Only Look Once: Unified, Real-Time Object DetectionAbstract 摘要我们提出了一种新的目标检测方法——YOLO。以前主要是通过调整修改分类方法实现检测的目的。与之不同的是,我们把目标检测看做是空间独立的边界框以及该框中可能包含物体类别可能性的回归问题。使用一个神经网络在一次估计中就可以直接预测出一整张图片中的边界框和类别的可能性或者叫概率。因为整个检测流程是原创 2021-06-12 10:08:22 · 778 阅读 · 1 评论 -
卷积神经网络——SSD论文翻译
论文链接:https://arxiv.org/abs/1512.02325SSD:Single Shot MultiBox Detector0.摘要我们提出了一种只用一个卷积神经网络就可以实现检测图片中目标的方法。我们称该方法为SSD,将边界框(bounding box: 这里具体的概念等读到下面再解释一下)的输出空间离散化为一组默认框,这些默认框覆盖了特征图中每一个位置的不同长宽比和尺度。在预测时,该网络会为每个默认框(default box)中出现的每一个对象分类进行打分,并对框进行调整来更好的匹原创 2021-03-22 15:41:42 · 764 阅读 · 0 评论 -
机器学习——概念理解之IoU
IoU(Intersection over Union):交并比,在SSD的论文中也叫Jaccard Overlap,是一个意思。从字面意思上看是交集和并集的比值。计算方式如下图所示:IoU在目标检测算法中计算mAP的重要函数,通过计算预测值与真值框的IoU,并与一个阈值进行比较来确定预测框的正确性。...原创 2021-03-18 14:34:19 · 1303 阅读 · 0 评论 -
卷积神经网络——FPN(Feature Pyramid Networks)介绍
FPN(Feature Pyramid Networks):特征金字塔网络,是用来提取不同尺度特征图的,提供给后面的网络执行预测任务。为什么需要FPN呢?简要介绍一下,在目标检测的网络中,要识别不同大小的物体是该网络实现检测的基本的需要。最常见的方法就是对图像金字塔取特征图,但是该方法需要大量的算力和内存,后面又使用了其他几种方法,我们下面会介绍,最终作者提出了FPN的网络能够实现对小物体很好的检测效果。这是为什么呢?后面介绍。FPN的论文链接: https://arxiv.org/abs/1612.0原创 2020-12-19 17:19:44 · 8169 阅读 · 0 评论 -
卷积神经网络——FPN论文翻译
论文链接: https://arxiv.org/abs/1612.03144Feature Pyramid Networks for Object Detection0.摘要特征金字塔是识别系统中用于检测不同尺度目标的基本组成部分。但是最近的深度学习对象检测器开始放弃使用金字塔方式,部分原因是它们是计算和内存密集型的(使用特征金字塔会增加算力和内存的消耗)。在本文中,我们利用深度卷积网络固有的多尺度、金字塔层级,以很小的额外成本建构特征金字塔。开发出一种具有横向连接的自顶向下的体系结构,用于构建各种尺原创 2020-12-05 16:40:30 · 2028 阅读 · 3 评论 -
卷积神经网络——RPN(Region Proposal Network)介绍
RPN网络是用来生成Proposal的原创 2020-11-24 20:24:43 · 8619 阅读 · 2 评论 -
机器学习——概念理解之模型量化
模型量化模型量化: 指为了达到减小模型大小、减小推理时内存占用和加快模型的推理速度等目的,将训练得到的连续取值的浮点数类型的权重转换为整形存储(一般值int8)。**为什么需要量化: ** 随着深度学习的发展,模型变得越来越庞大,这就非常不利于将模型应用到一些低成本的嵌入式系统的情况。为了解决该问题,模型量化应运而生。目的就是在损失少量精度的情况下对模型进行压缩,使模型可以应用到像手机、摄像头、机器人等嵌入设备中。...原创 2020-10-20 20:31:44 · 1857 阅读 · 0 评论 -
卷积神经网络——实例分割之Mask R-CNN论文翻译
论文链接https://arxiv.org/abs/1703.06870相关论文翻译链接R-CNN:https://blog.csdn.net/itlilyer/article/details/107190083Fast R-CNN:https://blog.csdn.net/itlilyer/article/details/107764472Faster R-CNN:https://blog.csdn.net/itlilyer/article/details/108049850Mask R-C原创 2020-09-29 17:37:24 · 4624 阅读 · 0 评论 -
卷积神经网络——RoIPool与RoIAlign的区别
一、RoIPooling与RoIAlign 1.1、RoIPooling 通过对Faster RCNN的学习我妈了解的RolPooling可以使生成的候选框region proposal映射产生固定大小的feature map 先贴出一张图,接着通过这图解释RoiPooling的工作原理 针对上图 1)Conv layers使用的是VGG16,fe...原创 2020-11-07 10:46:35 · 3026 阅读 · 0 评论 -
卷积神经网络——目标检测之Faster R-CNN论文翻译
论文连接https://arxiv.org/abs/1506.01497Faster R-CNN: 基于区域建议网络的实时目标检测0. 摘要目前最先进的目标检测网络都依赖区域建议(也称候选框)算法来假设目录的位置。SPPnet和Fast RCNN网络的改进了...原创 2020-09-04 19:47:12 · 1967 阅读 · 3 评论 -
机器学习——概念理解之卷积、空洞卷积、深度卷积、逐点卷积、空间可分离卷积、深度可分离卷积
本文主要介绍常见的几种卷积的概念和计算方法,主要包括:卷积、空洞卷积、深度卷积、逐点卷积、空间可分离卷积、深度可分离卷积。卷积(convolution)讨论卷积之前先介绍一下相关的概念:卷积核卷积核(convolution kernel):也叫滤波器(Filter),就是一个nxn的矩阵,矩阵的成员就是我们要训练的权重值,整个图片使用一个卷积核这也就实现了共享权重。卷积核的值不需要提前设计,只需要初始化,然后通过训练进行优化,这也就是模型训练要做的事情。padding填充为了避免一些边界上的值在原创 2020-08-29 16:40:36 · 12677 阅读 · 0 评论 -
卷积神经网络之padding计算
padding的模式分为SAME和VALID两种方式。下面简单介绍一下两种方式输出shape的计算方法。tensorflowVALID计算公式:输出的大小直接用输入的大小减去卷积核大小,加1,然后除以步长,最后对结果向上取整。假如输入的shape为7x7的,卷积核的大小为3x3,步长为2,这样计算出的输出shape为:3x3。对于边界上没有取到的数据直接舍弃掉。SAME计算公式第一步,先用输入的大小除以步长,对结果向上取整。得到输出的shape。例如,input shape是7x7,ker原创 2020-08-01 17:55:21 · 3860 阅读 · 0 评论 -
机器学习——概念理解之fine-tuning 强化学习 迁移学习
fine-tuning强化学习迁移学习原创 2020-07-09 12:19:03 · 2546 阅读 · 0 评论 -
卷积神经网络之warm up
warm up的提出warm up最初是在ResNet网络的论文中提到,针对非常深的神经网络为了防止开始学习率过大导致不能拟合的问题。简要翻译:我们进一步尝试了n=18的情况,会得到一个110层的ResNet。在这种情况下,使用初始化学习率0.1对于当前网络偏大了,导致不能够收敛。因此我们使用0.01的学习率开始对训练进行预热,直到训练的错误率低于80%(差不多400个迭代),然后改回0.1的学习率,继续训练。剩下的训练和之前做法一致。这个110层的网络收敛的不错。warm up改进18年Fac原创 2020-07-07 19:45:40 · 1742 阅读 · 2 评论 -
机器学习——图像处理之array与图像之间的转换及画框
相关功能的实现主要使用了PIL(Pillow)库中的Image模块。现在用到了随手记录以下,后面专门写一篇博客介绍相关的接口功能。image转array如果想把一张图片转为numpy的array,先使用Image的open函数读取图片然后再使用np的asarray或者array接口将image转换为array。Example:from PIL import Imageimport numpy as npimg = Image.open("/home/yzh/1.jpg")im = np.a原创 2020-07-04 11:29:47 · 1799 阅读 · 0 评论 -
tensorflow常用损失函数(loss function)(一):图像识别、分类
1. 图像分类在tensorflow中针对图像分类的loss function主要三交叉熵函数,主要有这几类:softmax、sigmoid、sparse_softmax、weighted加权交叉熵。有关sigmoid、softmax、logits、cross entropy的计算方式,在另一个博客中有介绍,博客地址:https://blog.csdn.net/itlilyer/article/details/107101569。sigmoid_cross_entropy_with_logitstf原创 2020-07-03 16:54:50 · 3374 阅读 · 1 评论 -
卷积神经网络之sigmoid、softmax、logits、cross entropy的计算方式
Sigmoidsigmoid常用于二分类问题。sigmoid函数表达式如下:函数形状:Softmaxsoftmax函数常用于多分类。函数定义:Logitslogits可以理解为输出层的内容,一般是全链接层,后面会作为softmax的输入。cross entropy交叉熵,主要用于度量两个概率分布间的差异性信息。q(x)就对应这sigmoid或着softmax的输出,这样就对应着sigmoid_cross_entropy_with_logits和softmax_cross_en原创 2020-07-03 16:52:35 · 1017 阅读 · 0 评论 -
网络实现中遇到的问题
1. tensorflow中conv2d卷积shape错误错误信息:ValueError: Shape must be rank 4 but is rank 0 for ‘Conv2D’ (op: ‘Conv2D’) with input shape:[32, 299, 299, 3], []错误原因:由于网络实现过程中权重初始化函数只写了接口,但是没有实现,导致卷积没有权重。解决方法:为卷积运算添加权重后问题解决...原创 2020-06-30 21:19:11 · 875 阅读 · 0 评论 -
机器学习——概念理解之机器学习、人工智能、神经网络、深度神经网络、卷积神经网络
1. 人工智能人工智能:英文缩写AI(Artificial Intelligence),人工智能可以追溯到1956年的美国,那时工程师们决定编写一个试图仿效智能的计算机程序。它是计算机科学的一个分支,是研究和开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的技术科学。主要的研究方向有自然语言处理、图像检测、图像识别、推荐系统和专家系统等。用通俗的话讲就是要研究可以达到人类智慧水平的机器。2. 机器学习机器学习:英文缩写ML(Machine Learning),机器学习最初被称为“模式识别”原创 2020-06-27 11:11:35 · 1361 阅读 · 0 评论