![](https://img-blog.csdnimg.cn/20201014180756930.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
文章平均质量分 81
Demon_zzj
这个作者很懒,什么都没留下…
展开
-
点云序列时序特征提取方法整理
对于连续的点云序列,点云在空间上是无序的,但在时间上是有序的。由于空间上的无序性,传统卷积无法直接应用于原始点云,因此时序点云特征提取方法可以分为基于体素分割的方法和基于原始点云的方法。本文对一些论文中点云时空特征提取方法做出一些总结。原创 2022-09-18 22:12:16 · 3967 阅读 · 0 评论 -
使用Transformer提取连续帧点云的时空特征:P4Transformer算法理解
使用Transformer处理连续帧点云:P4Transformer算法理解原创 2022-09-11 13:28:40 · 2095 阅读 · 0 评论 -
Lift-Splat-Shoot算法理解及代码中文注释
对算法Lift-Splat-Shoot的理解以及源代码中文注释原创 2022-09-09 11:19:57 · 5750 阅读 · 4 评论 -
目标检测评价指标mAP
目标检测评价指标mAP原创 2022-08-30 11:13:38 · 427 阅读 · 0 评论 -
pytorch中clone()、copy_()、detach()等函数辨析
pytorch中clone()、copy_()、detach()等函数辨析原创 2022-08-30 11:09:53 · 1184 阅读 · 0 评论 -
FasterRCNN
论文:“Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks”原创 2022-08-30 11:08:07 · 2798 阅读 · 0 评论 -
全卷积神经网络(FCN)
全卷积神经网络(Fully Convolutional Networks for Semantic Segmentation)第一次将卷积神经网络结构应用到图像语义分割领域,是开山之作。原创 2022-08-30 10:56:44 · 3892 阅读 · 0 评论 -
转置卷积理解
转置矩阵理解1、卷积2、转置卷积3、转置卷积计算整除情况不整除参考资料:https://www.cnblogs.com/shine-lee/p/11559825.html转置卷积(transposed convolution)是一种上采样的方法。对于语义分割等问题,需要输入与输出保持相同的大小,因此需要在提取特征减小特征图大小后通过上采样的方法还原成输入的大小。在计算机视觉当中,图像的上采样有许多方法:最近邻插值、双线性插值等。但是这些方法都是人为提前设计好了的固定模式,没有可以学习的余地。转置原创 2022-05-27 15:36:27 · 433 阅读 · 0 评论 -
ResNet深度残差网络
ResNet论文:“Deep Residual Learning for Image Recognition”参考资料:https://www.cnblogs.com/shine-lee/p/12363488.htmlhttps://www.bilibili.com/video/BV1vb4y1k7BV?p=4面临的问题ResNet解决的是深度神经网络的“退化”(degradation)问题。对于卷积神经网络,网络的深度对于最终网络的表现性能至关重要,从vgg、GoogLeNet等网络就可以原创 2022-05-24 20:23:49 · 448 阅读 · 0 评论 -
VGG 笔记
VGG1、VGG原理相比于 LeNet 网络,VGG 网络的一个改进点是将 大尺寸的卷积核 用 多个小尺寸的卷积核 代替。比如:VGG使用 2个3X3的卷积核 来代替 5X5的卷积核,3个3X3的卷积核 代替7X7的卷积核。这样做的好处是:在保证相同感受野的情况下,多个小卷积层堆积可以提升网络深度,增加特征提取能力(非线性层增加)。参数更少。比如 1个大小为5的感受野 等价于 2个步长为1,3X3大小的卷积核堆叠。假设是一通道,1个5X5卷积核的参数量为 25,而2个3X3卷积核的参数量为 1原创 2022-05-18 13:45:09 · 287 阅读 · 0 评论 -
LeNet-5
LeNet-5LeNet-5共有7层(不包含输入)。输入图像大小为32x32。MNIST数据集是28x28的,是希望潜在的明显特征如笔画断点或角能够出现在最高层**特征检测子感受野(receptive field)**的中心。因此在训练之前需要对28x28的图像加上paddings。[out_channels, in_channels, kernel_size]C1:卷积[6x1x5x5],得到的特征图:[6x28x28]S2:池化层,采用max_pool(最大池化),size=2x2。得到的特征原创 2022-05-18 13:41:33 · 255 阅读 · 0 评论