卷积神经网络
文章平均质量分 83
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 · 4179 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 · 1153 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 · 851 阅读 · 2 评论 -
卷积神经网络之卷积计算过程个人理解
1.卷积计算在卷积神经网络中的位置2. 卷积计算的主要作用3. 卷积计算的过程原创 2021-06-13 15:43:35 · 711 阅读 · 0 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 · 741 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 · 724 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 · 1232 阅读 · 0 评论 -
卷积神经网络——从R-CNN,Fast R-CNN到Faster R-CNN,Mask R-CNN
R-CNN系列的网络是经典的目标检测和分割的网络,其中提出的一些新算法可以让人为之激动啊。下面简单介绍一下这几个网络。论文翻译: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原创 2021-01-09 11:02:36 · 871 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 · 8002 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 · 1978 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 · 8332 阅读 · 2 评论 -
卷积神经网络——Faster Rcnn中的anchor和Proposal
刚开始看到anchor和Proposal的时候有一些细节搞不清楚,在这里记录一下。anchor是Proposal的基础,现有anchor以后,从 anchor中根据条件选择出来的就可以作为Proposal了(具体的筛选过程这里先不细讲了,后面单独写一篇RPN的文章介绍,主要有NMS、二分类、偏移)。Proposal后面再经过RoIPooling就可以做分类和回归了。拷贝的图片,侵删下面先介绍一下anchor的生成过程。anchor概念anchor(锚):个人理解是基于一个中心点创建出的几种大小原创 2020-11-19 16:33:14 · 7648 阅读 · 1 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 · 2971 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 · 1945 阅读 · 3 评论 -
卷积神经网络——目标检测之Fast R-CNN论文翻译
论文连接https://arxiv.org/abs/1504.080830. 摘要本文针对目标检测问题提出了基于区域的快速卷积网络方法(Fast Region-based Convolutional Network:Fast R-CNN)。Fast R-CNN建立子以前工作的基础上,使用深度卷积网络对目标对象进行有效的分类。与以往的实现方案相比,Fast R-CNN使用了几项创新技术来提高训练和测试的速度,同时也提高了检测的精度。**Fast R-CNN与R-CNN相比,训练超深VGG16网络的速度快原创 2020-08-15 15:59:29 · 1815 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 · 3778 阅读 · 0 评论 -
卷积神经网络——目标检测之RCNN论文翻译
0.摘要目标检测的性能最近几年性能一直停滞不前。之前性能最好的方法是一个将低级别(low-level)的图像特征与高级别(hight-level)的上下文信息结合在一起的一个复杂系统。作者提出的方式简单、可扩展,mAP提高了30%,达到了53.3%。该方法结合了两个关键的思想:在候选区域上执行大容量的神经网络(CNN),以便对对象进行定位和分割;当标记的训练数据比较少的时候,先对辅助任务进行有监督的预训练,然后对特定区域进行微调(fine-tune),可以使性能得到明显的提升。我们将候选区域与原创 2020-07-27 20:13:51 · 1045 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 · 1719 阅读 · 2 评论