nwpuxhld

问题1 背景：VGG16去做一个人脸j检测的算法，使用RCNN，在fine-tuning的时候其实就是一个二分类问题，区分出来background和face问题描述：在fine-tuning的时候总是将所有样本归到负样本，即就是background。解决方案：增大学习率，一开始我还以为是我selective search提取bounding box的时候有问题，但是完全使用VGG16去做SVR

TensorBoard

cuda:CUDA(Compute Unified Device Architecture)，是显卡厂商NVIDIA推出的运算平台。 CUDA™是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。 它包含了CUDA指令集架构（ISA）以及GPU内部的并行计算引擎。cuDNN:CuDNN是专门针对Deep Learning框架设计的一套GPU计算加速方案，目前支持的DL

tf.get_variable 和 tf.Variable的异同：他们都可以用来创建变量通过get_variable我们还可以获取到之前的变量，不过这需要和variable_scope配合使用，如下举例获取到在其他文件中定义的ｗｅｉｇｈｔｓ参数with tf.variable_scope(name, reuse=True): res_dict[name] = [] res

本文主要讲解自己对CenterLoss的一些理解，想要看原文的请戳这里 A discriminative feature learning approach for deep face recognitionbackground CenterLoss提出的主要目的是对FaceNet的改进，FaceNet使用的是triple loss，该计算方法需要我们提前计算出三元组，计算量大不说，而且收敛

实现函数：tf.nn.conv2d_transpose(input_tensor, filter_weights_tensor, output_shape, strides, padding) input_tensor: 代表的是输入的tensor，默认的size是[batch_size, w, h, channel]filter_weight_tensor: 代表卷积运算时filter参...

ICPR2018举办的文本检测比赛,详细链接请戳.任务描述:从一副图像中检测出文本所在的位置.先后尝试了三种做法: 基于Faster RCNN的CTPN方法,代码链接. 直接加载训练好的模型在数据集上测试F1 score只是0.10数量级. 关于CTPN的详情请看我的这篇博文—[论文阅读]—CTPN基于U-Net的EAST, 代码链接. 直接加载训练好的模型在数据集上测试F1 score...

在深度学习中，我们经常会对数据进行数组增广操作，比如说左右翻转，增加noise等操作。但是，现在我们的输入是一组图像是一个sample，那我们需要对这一组图像进行同样的数据增广操作，也就是说同一个sample之间的随机性是不存在的，不同sample之间的随机性是存在的。实现方法参考下面的代码：img = tf.ones([512, 512, 3], dtype=tf.float32)s...