深度学习与计算机视觉
文章平均质量分 86
Qer_
这个作者很懒,什么都没留下…
展开
-
理解CNN卷积神经网络
CNN的视觉感知 (Qer ) 一、人脑的视觉感知 在生物神经网络中,学习源自于大脑中无数神经元之间的连接。大脑接触到新的刺激后,这些神经元之间的连接改变了配置。这些更改包括出现新的连接,加强现有连接和删除那些没有使用的连接。例如,重复给定任务的次数越多,与这个任务相关的神经连接就越强,最终我们会认为这个任务被学会了。 神经元使用记忆和感知里预先建立的表征来处理新的刺激。原创 2017-12-25 22:05:25 · 822 阅读 · 0 评论 -
图像语义分割(二) —— denseCRF模型用于图像语义分割
斯坦福的2011年NIPS论文《Efficient Inference in Fully Connected CRFs withGaussian Edge Potentials》,阐述了如何使用高效的全连接条件随机场模型进行图像语义分割任务的应用。一、CRF和denseCRF基本的CRF模型是由一阶势函数和相邻元素构成的势函数所组成的图模型,很显然,在图像任务上,basic CRF模型一个劣...原创 2018-12-06 00:10:26 · 9690 阅读 · 1 评论 -
图像语义分割(一) —— Fully Convolutional Networks理解与实现
来自伯克利的2014CVPR、2015PAMI非常经典的一篇用FCN进行语义分割的文章,后续也都基于此FCN架构进行进一步拓展。下面对论文中主要思想进行总结一、文章主要贡献1.全卷积常用的分类网络例如VGG、GoogleNet、AlexNet等,都是由features和classifier构成,由全连接层进行分类任务。同时也正是由于全连接的存在,导致网络只能接受固定大小的输入以适应固定数量...原创 2018-12-03 20:56:50 · 2285 阅读 · 0 评论