![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习经典基础
nathan%1
这个作者很懒,什么都没留下…
展开
-
经典网络结构对比总结一
#####lenet: 都是5*5的卷积,padding = valid x = tf.placeholder(tf.float32, (None, 32, 32, 1)) Layer 1: Convolutional. The output shape should be 28x28x6. conv1_W = tf.Variable(tf.truncated_normal(shape=(...转载 2019-02-15 11:19:50 · 727 阅读 · 1 评论 -
lenet 到 densenet 总结 一
LeNet: 输入尺寸:32*32 卷积层:3个 降采样层:2个 全连接层:1个 输出层:10个类别(数字0-9的概率) AlexNet: 1. 非线性激活函数:ReLU 2. 防止过拟合的方法:Dropout,Data augmentation 3. 大数据训练:百万级ImageNet图像数据 4. 其他:GPU实现,LRN归一化层的使用 Vgg: V...转载 2019-02-12 10:58:05 · 370 阅读 · 0 评论 -
facenet 总结一
Facenet是谷歌研发的人脸识别系统,该系统是基于百万级人脸数据训练的深度卷积神经网络,可以将人脸图像embedding(映射)成128维度的特征向量。以该向量为特征,采用knn或者svm等机器学习方法实现人脸识别。 CASIA-WebFace数据集预训练的Facenet模型,LFW测试集准确率为0.98模型。 1.对图像质量(像素值)不敏感,即使80*80像素的图片生成的结果...原创 2019-02-12 11:40:13 · 2630 阅读 · 2 评论 -
MTCNN总结一
https://blog.csdn.net/u014380165/article/details/78906898 https://zhuanlan.zhihu.com/p/38520597 https://www.zhihu.com/question/274001027/answer/374213141 Stage 1:采用全卷积神经网络,即P-Net,去获得候选窗体和边界回归向量。同时,...转载 2019-02-12 11:54:08 · 402 阅读 · 0 评论 -
yolo 总结一
https://blog.csdn.net/zfq740695564/article/details/79754578 https://zhuanlan.zhihu.com/p/35325884 yolov1: YOLO网络的设计比较简单,借鉴GoogLeNet模型,作者将一个完整的网络框架分为两个部分:24个卷积层用于抽取图像特征,两个全连接层用于分类和定位。有一点小的改进,YOLO网络没...转载 2019-02-12 14:41:01 · 1134 阅读 · 0 评论 -
RCNN系列总结一
https://zhuanlan.zhihu.com/p/24780395 #####R-CNN: 流程主要分为四步: 1. 利用选择性搜索(Selective Search)等区域生成算法在输入图像中提取Region Proposal(大概2000个); 2. 将第一步中产生的每个Region Proposal分别resize后(也即图中的warped region,文章中是归一化为227...原创 2019-02-12 15:52:36 · 964 阅读 · 0 评论 -
SSD总结一
目标检测近年来已经取得了很重要的进展,主流的算法主要分为两个类型:(1)two-stage方法,如R-CNN系算法,其主要思路是先通过启发式方法(selective search)或者CNN网络(RPN)产生一系列稀疏的候选框,然后对这些候选框进行分类与回归,two-stage方法的优势是准确度高;(2)one-stage方法,如Yolo和SSD,其主要思路是均匀地在图片的不同位置进行密集抽样,抽...原创 2019-02-12 16:06:58 · 378 阅读 · 0 评论