- 博客(30)
- 收藏
- 关注
RSS订阅转载 subplot
https://blog.csdn.net/sinat_34328764/article/details/81780370?utm_source=distribute.pc_relevant.none-task
2020-02-18 18:24:09
91
转载 字典get()方法
https://blog.csdn.net/wcy23580/article/details/84325962?utm_source=distribute.pc_relevant.none-task
2020-02-17 21:53:55
185
转载 np.tile
https://www.baidu.com/link?url=p8pTwTVenk6J0vRGD1FpnrplHnW4eF_kx4r_C605EWbJzeq0fB2nPy79pWsTJ2UM&wd=&eqid=c8a833d7002b913e000000065e4a940f
2020-02-17 21:26:53
114
原创 Mask R-CNN
一、前言本文提出了一个概念上简单且灵活通用的目标分割框架——Mask R-CNNMask R-CNN能有效地检测图像中的目标，同时能为每个实例生成高质量的分割掩码Mask R-CNN训练简单，相对于Faster R-CNN，只需增加一个较小的开销，运行速度可达5 FPS，且很容易推广到其他任务中二、模型与方法2.1 设计思路由于Fast/Faster R-CNN和FCN的出现，使...
2020-02-17 15:38:21
331
原创 RetinaNet：Focal Loss for Dense Object Detection
一、前言目前的深度学习目标检测器中，One-stage的精度始终落后于two-stage本文发现其中心原因为训练过程中前景与背景类别极端的不平衡为解决该问题，本文重塑了标准交叉熵损失函数，即减少易分类样本的权重来进行平衡，提出了Focal Loss为评估所提出的损失函数的有效性，本文设计并训练了一个简单的目标检测器——RetinaNet1.1 One-stage VS Two-sta...
2020-02-16 15:19:04
207
原创 FPN：Feature Pyramid Networks for Object Detection
一、前言特征金字塔可用于检测不同尺度目标，但最近的深度学习目标检测器避免使用它，部分原因是它带来了极大的计算量和内存需求本文利用深度卷积网络内在的多尺度、金字塔分级来构造具有很少额外成本的特征金字塔本文开发了一种具有横向连接的自顶向下架构，称为特征金字塔网络（FPN），用于在所有尺度上构建高级语义特征映射将FPN应用于一些目标检测器(如Faster R-CNN)，结果得到了...
2020-02-15 17:19:28
469
原创 YOLO9000: Better, Faster, Stronger
一、前言大多数目标检测方法的检测种类有限，仅能检测一小部分目标本文使用了目标分类的分层视图的方法，允许我们将不同的数据集组合在一起本文提出了一种联合训练算法，能够在检测和分类数据上训练目标检测器。利用带标签的检测图像数据集来训练网络学习能精确定位物体的能力，同时使用分类图像数据集来训练以增加鲁棒性。二、模型和方法2.1 设计思路：简化网络，以提高网络的检测速度...
2020-02-14 16:28:55
458
原创 R-FCN: Object Detection via Region-based Fully Convolutional Networks
一、论文内容1.1 摘要先前的基于区域的检测器(如Fast/Faster R-CNN)需要对每个区域单独应用全连接子网络，计算代价太高本文所提出的基于区域的检测器应用了全卷积，几乎在整张图上共享计算为解决图像分类中的平移不变性与目标检测中的平移变化之间的困境，本文提出了提出了位置敏感分数图本文提出的模型在PASCAL VOC数据集上展示了具有竞争力的结果，比Faster R-CNN对应...
2020-02-11 21:36:01
201
原创 06文件和目录常用命令
一、查看目录内容1.1 终端实用技巧1> 自动补全在敲出 文件／目录／命令 的前几个字母之后，按下 tab 键如果输入的没有歧义，系统会自动补全如果还存在其他 文件／目录／命令，再按一下 tab 键，系统会提示可能存在的命令2> 曾经使用过的命令按 上／下 光标键可以在曾经使用过的命令之间来回切换如果想要退出选择，并且不想执行当前选中的命令，可以按 ctrl...
2020-02-11 13:49:24
204
原创 05Linux终端命令格式
一、 终端命令格式command [-options] [parameter]说明：[] 代表可选command：命令名，相应功能的英文单词或单词的缩写[-options]：选项，可用来对命令进行控制，也可以省略parameter：传给命令的参数，可以是 零个、一个 或者 多个二、查阅命令帮助信息2.1 --helpcommand --help说明：显示 comman...
2020-02-11 13:23:54
142
原创 04常用 Linux 命令的基本使用
一、学习 Linux 终端命令的原因Linux 刚面世时并没有图形界面，所有的操作全靠命令完成，如 磁盘操作、文件存取、目录操作、进程管理、文件权限 设定等在职场中，大量的 服务器维护工作 都是在 远程 通过 SSH 客户端 来完成的，并没有图形界面，所有的维护工作都需要通过命令来完成在职场中，作为后端程序员，必须要或多或少的掌握一些 Linux 常用的终端命令Linux 发行版本的命令...
2020-02-11 12:20:44
128
原创 02Linux文件目录结构
一、 单用户操作系统和多用户操作系统（科普）单用户操作系统：指一台计算机在同一时间 只能由一个用户 使用，一个用户独自享用系统的全部硬件和软件资源Windows XP 之前的版本都是单用户操作系统多用户操作系统：指一台计算机在同一时间可以由 多个用户 使用，多个用户共同享用系统的全部硬件和软件资源Unix 和 Linux 的设计初衷就是多用户操作系统二、 Windows ...
2020-02-10 21:54:08
100
原创 01linux操作系统简介
一、操作系统（Operation System，OS）操作系统作为接口的示意图没有安装操作系统的计算机，通常被称为 裸机如果想在 裸机 上运行自己所编写的程序，就必须用机器语言书写程序如果计算机上安装了操作系统，就可以在操作系统上安装支持的高级语言环境，用高级语言开发程序1.1 操作系统的作用是现代计算机系统中 最基本和最重要 的系统软件是配置在计算机硬件上的第一层软件，是对...
2020-02-10 21:25:15
278
原创 FCN：Fully convolutional networks for semantic segmentation
一、语义分割简介1.1 什么是语义分割？语义分割：让机器实现对图像进行自动分割并识别图像中的内容如上图中，给出一张图片，机器能识别图片中的物体并分割出结果图，即把不同的物体从图像中分割出来1.2 研究意义当前应用：地理信息系统无人车驾驶医疗影像分析机器人等领域与图像分类或目标检测相比,语义分剖使我们对图像有更加细致的了解。这种了解在诸如自动驾驶、机器人以及图像搜索引擎等...
2020-02-10 14:01:58
370
原创 28目标检测
一、目标检测1.1 目标检测是什么？目标检测：判断图像中目标的类别和位置目标检测两要素分类：分类向量[p0, …, pn]回归：回归边界框[x1, y1, x2, y2]1.2 代码示例# -*- coding: utf-8 -*-import osimport timeimport torch.nn as nnimport torchimport numpy as...
2020-02-09 18:28:21
259
1
原创 27图像分割
一、图像分割1.1 图像分割是什么？图像分割：将图像每一个像素进行分类1.2 图像分割分类图像分割分类：超像素分割：少量超像素代替大量像素，常用于图像预处理超像素：一个超像素由很多由相同性质的像素构成，如左上图中的每个白色块语义分割：逐像素分类，无法区分个体实例分割：对个体目标进行分割，像素级目标检测只会将感兴趣的目标进行分割，比如说图中的人全景分割：语义分割...
2020-02-09 16:17:04
1156
原创 26图像分类
一、图像分类1.1 模型是如何将图像分类的？对于蜜蜂蚂蚁二分类模型：从人的角度来看，是从输入一张RGB图像到输出一种动物的过程从计算机角度看，是从输入3-d张量到输出字符串的过程类别名是通过标签进行转换得到的，在这里也就是0和1，而输出的0，1则是通过模型输出的向量取最大值的index而得到的，而模型输出向量则是通过构造复杂的模型而得到的实际的运行顺序：输入3d张量到模型中，模型...
2020-02-08 17:47:00
213
原创 25GPU的使用
一、CPU与GPU二、数据迁移数据在GPU和CPU之间迁移：数据迁移使用的方法：to()函数进行迁移的数据：Tensor和Module2.1 to函数to函数：转换数据类型/设备tensor.to(*args, **kwargs)module.to(*args, **kwargs)区别：张量不执行inplace，模型执行inplace张量执行to函数之后，会重新构建一个...
2020-02-08 15:48:29
143
原创 24模型微调(finetune)
一、Transfer Learning & Model Finetune1.1 Transfer LearningTransfer Learning：机器学习分支，研究源域(source domain)的知识如何应用到目标域(targetdomain)传统的机器学习：对不同的任务分别训练学习得到不同的learning system，即模型，如上图有三个不同任务，就得到三个不同的模...
2020-02-07 18:37:58
2515
1
原创 23模型保存与加载
一、序列化与反序列化序列化与反序列化：数据在内存与硬盘之间的转换关系序列化：模型在内存中是以对象的形式存储的，但是在内存中的对象不能长久保存，所以需要将其保存在硬盘中，而在硬盘中，数据是以二进制数保存的，即二进制数列，所以，序列化是指将内存中的某一个对象存到硬盘当中，以二进制序列的形式存储下来反序列化：将存储的二进制序列转换到内存中的对象形式，从而对该对象进行使用主要目的：对模型...
2020-02-07 15:22:22
186
原创 22Normalizaiton_layers
一、为什么要Normalization？ICS问题：由于数据尺度/分布异常，导致训练困难由上图中的D(H1)=n*D(x)*D(W)=1可知，第一个隐藏层的输出等于上一层的输入的方差和二者之间权重的方差的连乘，所以如果数据的方差发生微小变化，那么随着网络的加深，这个变化会越来越明显，从而导致梯度消失或梯度爆炸所以数据尺度或分布发生变化，则会导致模型难以训练进行Normalization就...
2020-02-07 14:12:40
199
原创 21Batch Normalization
一、Batch Normalization概念1.1 Batch Normalization概念Batch Normalization：批标准化批：一批数据，通常为mini-batch标准化： 0均值， 1方差优点：可以用更大学习率，加速模型收敛可以不用精心设计权值初始化可以不用dropout或较小的dropout可以不用L2或者较小的weight decay可以不用LR...
2020-02-06 21:44:49
165
原创 20正则化之Dropout
一、Dropout概念1.1 Dropout随机失活随机: dropout probability失活: weight=0基本思想：以一定的概率使网络中的部分神经元失去活性，让神经元学习到更鲁棒的特征，减轻过度的依赖性，从而缓解了过拟合，降低方差达到正则化效果数据尺度变化: 测试时,所有权重乘以1-drop_probdrop_prob = 0.3, 1-drop_prob = 0.7...
2020-02-06 17:09:57
263
原创 19正则化之weight_decay
一、正则化与偏差—方差分解Regularization: 减小方差的策略误差可分解为：偏差，方差与噪声之和。即误差=偏差+方差+噪声之和偏差度量了学习算法的期望预测与真实结果的偏离程度,即刻画了学习算法本身的拟合能力方差度量了同样大小的训练集的变动所导致的学习性能的变化,即刻画了数据扰动所造成的影响噪声则表达了在当前任务上任何学习算法所能达到的期望泛化误差的下界L1正则化：加上...
2020-02-06 15:41:31
1043
原创 18hook函数与CAM可视化
一、Hook函数概念1.1 Hook引入的原因Pytorch的运行机制是动态计算图，动态图运算结束后，一些中间变量（如feature map和非叶子结点的梯度）会被释放掉，但是往往有时候我们需要获取这些中间变量，这时就可以通过Hook函数在主体中根据Hook机制添加额外的函数来获取或改变中间变量1.2 Hook函数机制Hook函数机制: 不改变主体(前向传播和后向传播),实现额外功能,像一...
2020-02-06 13:39:01
1353
原创 17Tensorboard
一、Tensorboard简介1.1 tensorboard是什么TensorBoard : TensorFlow中强大的可视化工具支持标量、图像、文本、音频、视频和Eembedding等多种数据可视化1.2 tensorboard运行机制Tensorboard运行机制：首先在python脚本中记录可视化的数据，即对某些特定的数据进行监控，记录下其数据的变化信息，记录下来的数据会以...
2020-02-03 17:26:22
280
原创 16学习率调整策略
一、为什么要调整学习率学习率(learning rate): 控制更新的步伐梯度下降: wi+1=wi−LR∗g(wi)w_{i+1} = w_i-LR * g(w_i)wi+1=wi−LR∗g(wi)学习率是用来控制更新的步伐，学习率一般前期大后期小，到后期需要调整学习率，让loss逐渐下降到收敛，就如同打高尔夫球，前期大力挥杆，使球到洞口附近，后期接近洞口的时候就需要调整小力度...
2020-02-02 17:39:13
1039
1
原创 15优化器
一、什么是优化器pytorch的优化器: 管理并更新模型中可学习参数的值,使得模型输出更接真实标签导数: 函数在指定坐标轴上的变化率方向导数: 指定方向上的变化率梯度：一个向量，方向为方向导数取得最大值的方向二、optimizer的属性class Optimizer(object): def __init__(self, params, defaults): self.d...
2020-02-01 18:38:41
230
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