- 博客(28)
- 资源 (1)
- 收藏
- 关注
![](https://csdnimg.cn/release/blogv2/dist/pc/img/listFixedTop.png)
原创 keras-yolov3代码解读
文章目录model.pyyolo_head函数preprocess_true_boxes函数yolo_loss函数看了几天,大概看懂了工程https://github.com/qqwweee/keras-yolo3的代码,记录一下关于yolov3理论,推荐这篇博文:https://blog.csdn.net/leviopku/article/details/82660381 [1]自己写的...
2019-02-22 16:15:10
6488
32
原创 改善深层神经网络:第二周优化算法
文章目录小批量梯度下降批量梯度下降随机梯度下降小批量梯度下降理解小批量梯度下降指数加权平均指数加权平均修正偏差AdagradRMSProp动量梯度下降法小批量梯度下降一共500 000个数据,每批数据1000个,需要5000批,小批量梯度下降过程** 函数假设 **批量梯度下降(1)函数求导(2)theta更新公式可以看到每次更新都需要用到全部训练数据,计算量很大eta...
2019-08-23 21:59:15
387
原创 parking
文章目录一:性能参数对比二:检测效果图片展示三:检测效果简单视频展示一:性能参数对比yolov3 对标其他检测器实验MobileNet 和 senet 实验停车位查准和查全实验对标二:检测效果图片展示三:检测效果简单视频展示 ...
2019-07-18 14:06:04
555
原创 [论文阅读]DenseBox: Unifying Landmark Localization with End to End Object Detection
文章目录contributionDenseBox for Detectionground truth生成contribution(1)使用全卷积网络进行目标检测任务,并可以准确有效的检测多个对象(2)多任务学习中使用landmark localization会进一步提高目标检测准确性DenseBox for Detection测试时,系统将图像(m*n)作为输出,输出m/4 * n/4 ...
2019-04-25 20:14:08
619
原创 [论文阅读]:MobileNet系列
文章目录V1标准卷积深度可分离卷积网络结构代码参考V1MobileNet是基于深度可分离卷积的。通俗的来说,深度可分离卷积干的活是:把标准卷积分解成深度卷积(depthwise convolution)和逐点卷积(pointwise convolution)。这么做的好处是可以大幅度降低参数量和计算量。分解过程示意图如下标准卷积采用的标准卷积K为(DK,DK,M,N)(D_K,D_K,M...
2019-04-23 15:48:56
194
原创 [论文阅读]:Improving Object Detection With One Line of Code
soft nms在目标检测中,非极大值抑制是重要的组成部分,然而它存在一个问题:他会把相邻的边界框iou大于一定阈值的直接置成0,所以可能会导致丢框现象出现,会降低评测指标。论文提出的方法,是会降低和M iou大于一定阈值的score,还是会在rank list里,并不是直接删除A major issue with non-maxinmum suppresion is that it set...
2019-04-02 14:00:54
301
原创 yolov3详解
文章目录前言bouding box 回归Darknet 53 架构多尺度预测参考文献前言使用yolo v3有一段时间了,从最开始简单的工程使用,到后来代码和论文更深的理解,现在做个总结与回顾bouding box 回归和v2基本没有区别,依旧使用维度聚类v2使用sigmoid函数使得偏移值限制在这个范围内,网络每个预测框依旧预测出5个值tx,ty,tw,th,tot_x,t_y,t_w,t...
2019-03-31 20:15:04
1764
原创 [论文阅读]Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
文章目录RPN( Region Proposal Networks)anchorsoftmax判定foreground与background参考资料RPN( Region Proposal Networks)可以看到RPN网络实际分为2条线,上面一条通过softmax分类anchors获得foreground和background(检测目标是foreground),下面一条用于计算对于anc...
2019-03-30 22:46:58
791
原创 目标检测trick实验和代码解析(基于yolov3)
focal loss实验结果不work,分析中……代码解析参考:https://github.com/fizyr/keras-retinanet/blob/master/keras_retinanet/losses.py发现α\alphaα分配给正负样本的不一样,一直以为α\alphaα是为了调节置信度损失和其他损失(比如回归损失)的比例的,果然看懂论文和看懂代码是两件不相干的事情关...
2019-03-29 18:32:07
515
1
原创 目标检测系相关论文阅读
基于优化的算法1.泛读(CVPR 2019)GIOU Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regressionhttps://blog.csdn.net/qq_25800609/article/details/88607684基于优化损失函数的1.泛读(ICCV2017)focal...
2019-03-17 22:08:57
234
原创 [论文阅读]Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression
分析目标检测中,边界框回归是很重要的一个组成部分,判断一个边界框回归好坏,一般通过IOU来体现。优化回归损失与优化IOU之间存在差距分析一然而在当前检测算法中,并不是直接优化IOU,而是将IOU decode成(x,y,w,h)或者边界框的两个角点(x1,y1,x2,y2)(x_1,y_1,x_2,y_2)(x1,y1,x2,y2),对这几个值进行回归,从而优化IOU,然后实际上这...
2019-03-16 22:37:16
529
原创 [论文阅读]Focal Loss for Dense Object Detection
概括作者认为之所以单步骤检测算法精度上比不过双步骤检测算法,主要原因是训练过程中的正负样本不均衡导致,并提出了focal loss来解决类别不均衡问题分析双步骤检测算法中的类别不均衡类别不均衡问题可以在双步骤检测算法中得到解决,在提议阶段(例如选择性搜索,RPN)迅速将候选对象位置缩小到较小的数量(例如,1~2k).在第二个分类阶段,采样启发式算法,例如固定的前景 - 背景比(1:3),或...
2019-03-11 22:56:10
166
原创 爱奇艺多模态视频人物识别挑战赛项目总结
文章目录一:任务目标二:主要思路三:实验细节3.1数据集介绍3.2人脸提取与去噪3.3网络结构Deep Residual Learning for Image Recognition(CVPR 2016最佳论文)ArcFace:Additive Angular Margain Loss for Deep Face Recogniton(CVPR 2018)四:实验结果一:任务目标爱奇艺联合中国...
2019-03-01 15:18:46
2124
3
原创 GoogLeNet
设计初衷1.多卷积核增加特征多样性(专知课程的说法)2.基本思想是inception网络不需要人为决定使用哪个过滤器,或是否需要池化,而是由网络自行确定这些参数(NG说法)V1 inception分析:1.因为经过pooling层,channel个数是不会减少了,所以随着网络更深,channel数会很多,导致计算复杂度过高2.因为经过多个卷积核,计算量肯定比单个类型卷积核计算量要大...
2019-02-26 21:09:40
189
原创 ImageNet Classification with Deep Convolutional Neural Networks(Alexnet)
ImageNet Classification with Deep Convolutional Neural Networks(Alexnet)1.创新的地方(1)使用ReLu函数作为CNN的激活函数(2)使用dropout防止过拟合(3)使用重叠最大池化(4)提出了LRN层2.摘要#(1)提出了一个深度卷积网络,在ImageNet LSVRC2010,top1和top5错误分别是3...
2019-02-26 10:26:11
1148
原创 卷积神经网络
文章目录深度学习三部曲传统神经网络VS卷积神经网络卷积神经网络结构卷积层池化层全连接层深度学习三部曲step1:搭建神经网络结构step2:找到一个合适的损失函数step3:找到一个合适的优化函数,更新参数传统神经网络VS卷积神经网络传统神经网络能用到计算机视觉上吗?为什么还需要卷积神经网络?全连接网络处理图像的问题,参数太多。比如一个1000×1000的图片,如果使用全连接层需要...
2019-02-25 22:41:09
198
原创 车位检测
提高项目检测步骤的几个有用的trick清洗数据集:项目中发现斜车位样本较少,于是人为增加斜车位的数量,提升效果明显维度聚类,提升效果明显首先加载预训练模型训练,然后再进行训练,提升效果明显...
2019-02-17 20:51:43
1367
1
原创 tensorflow:scope 命名方法
文章目录遇到问题两种命名空间tf.name_scope()tf.variable_scope()项目中的解决方法参考遇到问题在使用cleverhans这个对抗工程时https://github.com/tensorflow/cleverhans,想把他给的网络结构改成自己的网络结构,然后进行攻击和防御时,一直遇到关于tensorflow命名变量的问题,特此来记录下两种命名空间tf.name...
2019-02-17 15:54:06
166
原创 tensorflow:关于指定/固定padding解决方法
文章目录遇到问题:解决思路:遇到问题:做工程中,碰到了padding需要指定的情况,但是conv2d里的参数padding只有valid和same两个属性,不能满足要求。关于valid和same两个属性介绍可以参考这里:https://blog.csdn.net/wuzqChom/article/details/74785643解决思路:首先将特征图手工padding,然后使用paddi...
2019-02-05 00:15:57
875
原创 YOLOV1-V2
文章目录yolov1设计思想yolov1设计思想YOLO将输入图像分成SxS个格子,若某个物体 Ground truth 的中心位置的坐标落入到某个格子,那么这个格子就负责检测出这个物体每个单元格预测...
2019-01-28 22:16:20
647
原创 决策树
信息论基础信息熵:是一个随机变量不确定性的度量,对于一个离散型随机变量 X~ p(x) ,其离散熵可以定义为:H(x)=−∑x∈χp(x)log(p(x)) H(x)=-\sum_{x\in \chi} p(x)log(p(x)) H(x)=−x∈χ∑p(x)log(p(x))联合熵:分布为 p(x,y) 的一对随机变量 (X,Y) ,其联合熵定义为:H(X,Y)−=∑x∈χ∑y∈y...
2018-12-23 22:07:51
1825
原创 逻辑回归
原理与预测函数我们使用sigmod函数作为“广义线性模型”的单调可微函数g(.),得到y=11+e−(wTx+b)(1) y=\frac {1}{1+e^{-(w^T x+b)}} \qquad (1)y=1+e−(wTx+b)1(1)上式可变换为lny1−y=wTx+b(2) ln \frac{y}{1-y}=w^Tx+b \qquad (2) ln1−yy=wTx+b(2)若将y...
2018-12-23 17:02:44
405
原创 集成学习
集成学习上图很好的总结了集成学习的基本思想,即通过将多个学习器进行结合,常可获得比单一学习器显著优越的泛化性能,这对‘弱学习器’尤为明显,因此集成学习的很多理论研究都是针对弱学习器的。有些类似常说的三个臭皮匠顶个诸葛亮。根据个体学习器的生成方式不同,目前集成学习主要分为以下两类算法个体学习器存在强依赖关系,必须串行生成的序列化方法。代表:Boosting(通俗讲,就是每个个体学习器的生成...
2018-12-23 16:54:06
460
原创 线性回归
机器学习常用概念损失函数(loss function)是用来估量你模型的预测值f(x)与真实值Y的不一致程度,它是一个非负实值函数,通常使用L(Y, f(x))来表示,损失函数越小,模型的鲁棒性就越好。是定义在单个样本上的,算的是一个样本的误差。代价函数(Cost Function )是定义在整个训练集上的,是所有样本误差的平均,也就是损失函数的平均。目标函数(Object Functio...
2018-12-23 15:58:40
227
原创 php图片操作
源于猪八戒网上的一次招标,前前后后,学到了不少东西。自己简单整理下。在图片上写文字 function Xiezi($tt,$width,$height){ $image = ImageCreateFromJPEG( "test.jpg" ); $cor = imagecolorallocate($image, 0, 0, 0); $font = 'xihei.ttf';
2016-08-26 16:38:45
586
原创 php调用shell脚本(web端和客户端同时实现)
想这个问题有一段时间了,一开始想实现的功能是在web端点击一个按钮,然后liunx主机采集图像,在浏览器上显示。于是自然而然的想到了php调用shell脚本。查了很多资料。实现了。下面开始讲解。本例子将实现点击链接,调用shell脚本(ps,我写的脚本是一个上传文件到ftp服务器的命令)一:配置查看php.ini中配置是否打开安全模式,主要是以下三个地方safe_mode = (
2015-11-06 20:45:31
3361
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人