deep learnng
韬韬江水
记录知识,留下观点。
展开
-
基于Faster R-CNN的水下目标检测
一、算法与代码参考文章https://zhuanlan.zhihu.com/p/32404424代码链接原创 2021-06-09 15:10:37 · 479 阅读 · 0 评论 -
Inception系列网络
详情请参考原文链接https://zhuanlan.zhihu.com/p/161494535以下为个人思考:1、Inception V1从宽度上增加卷积层,这是与当时主流从深度上增加卷积层的网络所区别的。在网络表达和调节上起到一定作用,使得计算量减少,Inception系列也延续了V1的基础。2、Inception V2开始有了质的飞跃,Batch Normalization的提出不仅加快训练速度,也起到减小过拟合的作用,使得后来不少网络借鉴。此外,用两个或以上更小的卷积层替代较大的卷积层方式转载 2021-02-19 12:37:16 · 201 阅读 · 0 评论 -
受限玻耳兹曼机梯度计算推导
梯度计算需要用到似然函数,对可见变量偏置、隐藏变量偏置和连接权重3种参数均需要迭代更新。详细计算过程请参考原文。转载 2020-11-26 16:54:57 · 101 阅读 · 0 评论 -
目标检测算法Faster R-CNN
Faster R-CNN称为超快速的区域卷积神经网络,是对Fast R-CNN的改进,是Fast R-CNN与RPN的结合。详情请查看转载链接。以下是个人思考:Faster R-CNN主要的改进是提出了RPN(候选区域网络)的概念,其作用是替代原来Selective search(选择性搜索)而生成候选区域。从R-CNN开始所使用的Selective search是综合图像颜色、纹理和层次等因素来寻找目标区域的,虽然综合性的考虑能较准确地定位目标区域,但不可否认其候选区域数量依旧庞大。RPN以卷积层转载 2020-11-04 11:32:56 · 226 阅读 · 0 评论 -
目标检测算法Fast R-CNN
快速的区域卷积神经网络(Fast R-CNN)是用于目标检测的算法,详情请查看转载的原文链接。以下是个人思考:在理解Fast R-CNN之前,应该理解SPP-net空间金字塔池化层的概念,因为SPP是Fast R-CNN的核心之一。SPP是位于最后卷积层和全连接层之前的一个池化层,其作用一是保持全连接层的输入维度固定;二是保证只对图像提取一次卷积层特征。SPP将卷积层输出划分为固定的4*4、2*2、1*1的块并连接起来,组成长度为21的特征向量,这样固定地划分块使得经过SPP处理后,输出的维度固定。转载 2020-11-03 15:59:26 · 148 阅读 · 0 评论 -
目标检测算法R-CNN
R-CNN名为区域的卷积神经网络,用于目标检测,详情请查看转载链接。以下是个人思考:R-CNN是传统思想产生的目标检测算法,每个步骤都运用当时正常能想到的方法。例如用卷积神经网络来进行特征提取,SVM进行分类等。R-CNN特点在于区域推荐使用的selective search选择性搜索方法,该方法综合考虑了目标的颜色、纹理、层次等,相比于普通的图像分割考虑的因素更为全面,这点也是体现目标检测与传统图像处理方法的区别。...转载 2020-11-03 15:21:04 · 251 阅读 · 0 评论