![](https://img-blog.csdnimg.cn/20201014180756757.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
图像识别
LeeJiajun
Jiajun.org.cn
展开
-
Leetcode: 在原矩阵上实现矩阵的旋转(Python)
48. Rotate ImageImformationTotal Accepted: 75511Total Submissions: 212021Difficulty: MediumQuestionYou are given an n x n 2D matrix representing an image.Rotate the image by 90 degrees (clockwise)原创 2016-08-04 11:52:08 · 2958 阅读 · 0 评论 -
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks程序(Python)配置问题总结
目录目录预先浏览QA预先浏览原文:faster-r-cnn源码:py-faster-rcnn接下来列举源码配置过程中我遇到的问题,希望对大家有帮助。若有错误,还望指出。Q&AQ1: error: utils/bbox.c: No such file or directoryx86_64-linux-gnu-gcc: error: utils/bbox.c: No such file o原创 2015-12-21 19:00:48 · 26325 阅读 · 77 评论 -
用ImageNet的数据集训练SSD(Single Shot MultiBox Detector)
简介 资源 Code: https://github.com/weiliu89/caffePaper: http://arxiv.org/abs/1512.02325 和Fast(er) R-CNN(python版)的代码结构不是一种风格,SSD构建的工作环境使得的文件组织略显复杂介绍一下主要文件夹的用途 examples/ssd/,存放了训练,测试的脚本,是主要操作的脚本data/,原创 2016-08-18 09:53:42 · 14054 阅读 · 77 评论 -
几篇有趣的DL文章
Fashion Landmark Detection in the Wild 研究基于CNN的Visual Fashion analysishttp://arxiv.org/abs/1608.03049Deep Convolutional Neural Networks for Microscopy-Based Point of Care Diagnostics 研究基于CNN显微观察下的病原创 2016-08-11 14:57:32 · 2751 阅读 · 0 评论 -
让Faster R-CNN支持TX1的fp16(half float, float16)特性
为什么要用float16?一句话,float16的运算速度是float32运算速度的2倍。nVidia说的,数据不对不要怪我,(≖ ‿ ≖)✧在说一下缺点,也是一句话,精度损失了。(卧槽,废话,(*´Д`*))会损失多少呢?IEEE754(wiki)这里描述各种float的规则,这里鄙视一下百度百科。 눈_눈float32:负数取值范围为 -3.4028235E+38原创 2016-02-24 23:28:12 · 8822 阅读 · 18 评论 -
Deep Convolutional Neural Networks for Microscopy-Based Point of Care Diagnostics 阅读
文章链接: http://arxiv.org/pdf/1608.02989v1.pdf文章创新在于,使用CNN来做基于显微观察下的病情诊断。文章实验针对3种疾病(疟疾、肺结核、肠道寄生虫卵)展开: malaria in thick blood smearstuberculosis in sputum samplesintestinal parasite eggs in stool samp原创 2016-08-11 11:16:15 · 2356 阅读 · 0 评论 -
SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <1MB model size阅读笔记
文章链接,http://arxiv.org/abs/1602.07360 代码链接,https://github.com/DeepScale/SqueezeNet 目前文章还是第一版,所以内容上不是很多。摘要先提了在相同精确度下,体积更小的深度神经网络有着以下3点好处。 Smaller DNNs require less communication across servers dur原创 2016-03-03 09:23:31 · 5941 阅读 · 4 评论 -
计算机视觉领域的一些牛人博客,超有实力的研究机构等的网站链接
以下链接是关于计算机视觉(ComputerVision, CV)相关领域的网站链接,其中有CV牛人的主页,CV研究小组的主页,CV领域的paper,代码,CV领域的最新动态,国内的应用情况等等。打算从事这个行业或者刚入门的朋友可以多关注这些网站,多了解一些CV的具体应用。搞研究的朋友也可以从中了解到很多牛人的研究动态、招生情况等。总之,我认为,知识只有分享才能产生更大的价值,真诚希望下面的链接能对转载 2016-02-24 17:10:44 · 1821 阅读 · 0 评论 -
BING和EdgeBoxes移植到TK1(未完)
前言EdgeBoxes移植BING移植1.前言计划参加Low-Power Image Recognition Challenge比赛,为了达到低功耗我们目前使用TK1。Image Recognition现在最流行且最先进的方法之一,当属R-CNN,其又发展出Fast R-CNN和Faster R-CNN。 目前Fast R-CNN采用Object proposal的方法是Selective S原创 2016-01-05 15:49:50 · 4240 阅读 · 12 评论 -
Hinton的弟子Ilya Sutskever写的一篇深度学习综述
文章来源于: http://yyue.blogspot.comA Brief Overview of Deep Learning(This is a guest post by Ilya Sutskever on the intuition behind deep learning as well as some very useful practical advice转载 2015-12-30 16:20:27 · 1922 阅读 · 0 评论 -
初识卷积神经网
卷积神经网络(Convolutional neural networks)是什么 卷积神经网络(简称CNNs)就是一种深度的监督学习下的机器学习模型。卷积核(kernel)是什么? 卷积核就是算子就是权矩阵。卷积核:卷积时使用到的权用一个矩阵表示,该矩阵与使用的图像区域大小相同,其行、列都是奇数,是一个权矩阵。feature map是什么? 在每个卷积层,数据都是以三维形式存在的。你可以把原创 2015-12-23 20:33:42 · 2986 阅读 · 1 评论 -
Faster R-CNN是如何添加ROIPoolingLayer和SmoothL1LossLayer的?
ROIPoolingLayer和SmoothL1LossLayer类的声明可以在caffe-fast-rcnn/include/caffe下的fast_rcnn_layers.hpp文件中找到。ROIPoolingLayer和SmoothL1LossLayer的实现在caffe-fast-rcnn/src/caffe/layers下的4个文件中roi_pooling_layer.cpproi_p原创 2016-02-28 12:17:32 · 9013 阅读 · 19 评论 -
Faster R-CNN中ZF Net更换成CaffeNet
对于ZF中的train.prototxt开头的input-data、结尾的loss_ls和loss_box不能改变,这个是Faster RCNN代码框架决定的。layer {name: 'input-data'type: 'Python'top: 'data'top: 'im_info'top: 'gt_boxes'python_param { module: 'roi_data_l原创 2016-03-02 20:28:06 · 5834 阅读 · 7 评论 -
CNN两篇好文章
http://www.csdn.net/article/2015-09-16/2825716 https://www.zhihu.com/question/34681168原创 2016-03-07 17:44:37 · 1842 阅读 · 0 评论 -
祝贺实验室在Low-Power Image Recognition Challenge比赛中获奖
战绩:first prize in Track 1 (highest accuracy, lowest energy in Track 1)second prize in Track 1first prize in Track 3相关链接:http://www.lpirc.net/index.html原创 2016-07-28 16:11:18 · 980 阅读 · 0 评论 -
Deep Hashing: A Joint Approach for Image Signature Learning阅读笔记
Deep Hashing: A Joint Approach for Image Signature Learning原创 2016-08-16 10:48:55 · 2596 阅读 · 0 评论 -
用ImageNet的数据集(ILSVRC2014)训练Faster R-CNN
1. 训练结果第一次训练,ZF,30W张图片,201类,迭代80k40K,mAP: 18.0%第二次训练,ZF,10W张图片,201类,迭代80k40K,mAP: 20.1%某次训练结果,ZF,10W张图片,201类,mAP结果如下 个人认为23.0%还不是faster的极限,所以在研究如何提高mAP。2. 问题汇总2.1 总结ImageNet训练数据集部分标注缺失object标签Imag原创 2016-01-06 18:09:43 · 22522 阅读 · 61 评论