- 博客(6)
- 收藏
- 关注
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 18:42:52 284
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 18:15:48 219
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 4289 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 17:12:22 596
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 1674
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 11:05:59 390
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