Oliver_-_-CSDN博客

原创 R-CNN

R-CNN Region proposals with CNNs(R-CNN)用分类的方法解决目标检测的问题。和之前的方法相比，R-CNN把mAP提高了30%多。R-CNN基本流程训练有监督预训练fine-tuning 微调分类器回归器测试基本流程R-CNN模型分为4个步骤：生成候选区域：一张原始图片生成约2000个候选区，文章采用的是Selective Search方法。

2018-04-20 18:42:52 282

原创 R-CNN

RCNN摘要本文介绍了一个简单、可扩展的目标检测方法。该方法将 mAP从53.3% 提高了30%。主要有两点：定位、检测任务中，把候选区域送入CNN；样本较少的情况下，先在大的辅助数据集上做监督预训练，再在自己的数据集合上做微调，可以获得较大的性能提升。1.介绍CNN能够极大的提高目标检测的性能，主要解决两个问题：如何用深度网定位目标？如何用较少的样本训练 high...

2018-03-16 18:15:48 216

原创 OverFeat

AbstractOverfeat 把图像分类、定位、检测三个任务整合到一个框架中。Overfeat 在ILSVRC2013 的定位比赛中获得第一名。Overfeat是一个特征提取器。 Finally, we release a feature extractor from our best model called OverFeat.1. 介绍ConvNets：端到

2018-01-10 18:46:17 4280 1

原创 VGGNet

VGGNetABSTRACK这篇文章主要论述了CNN的深度对网络性能的影响。VGGNet在2014年的ImageNet的比赛中，定位第一，分类第二。1. 介绍对于AlexNet的提升：第一个卷积层使用更小的卷积核、更小的滑动步长训练和测试时，使用 multiple−scalesmultiple-scales增加网络的深度2. 网络配置2.1 配置

2018-01-09 17:12:22 594

原创基于 Hierarchical Softmax 的 CBOW 模型

基于 Hierarchical Softmax 的 CBOW 模型关注：如何构造 P(w | context(w))P(w\ |\ context(w)) ？

2017-12-26 16:45:01 1670

原创统计语言模型

1. 统计语言模型句子 W=wT1=(w1,w2,⋯,wT),wT1\boldsymbol{W} = w^T_1 = (w_1,w_2,\cdots ,w_T),w_1^T表示句子的第一个词语到第T个词语。P(W)=P(wT1)=P(w1,w2,⋯,wT)=P(w1)×P(w2|w1)×P(w3|w21)×⋯×P(wT|wT1)P(\boldsymbol{W}) = P(w^T_1) =

2017-12-26 11:05:59 387

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

原创 R-CNN

原创 R-CNN

原创 OverFeat

原创 VGGNet

原创 基于 Hierarchical Softmax 的 CBOW 模型

原创 统计语言模型

空空如也

空空如也

原创基于 Hierarchical Softmax 的 CBOW 模型

原创统计语言模型