- 博客(19)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 Object Detection网络框架学习:SSD
SSD(Single Shot MultiBox Detector)是ECCV2016的一篇文章，属于one - stage套路。在保证了精度的同时，又提高了检测速度，相比当时的Yolo和Faster R-CNN是最好的目标检测算法了，可以达到实时检测的要求。在Titan X上，SSD在VOC2007数据集上的mAP值为74.3%，检测速度为59fps。SSDSSD效果为什么这么好...
2019-05-26 14:07:07
293
原创 GitHub：目标检测最全论文集锦
https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html
2019-05-24 10:48:29
481
原创 Object Detection网络框架学习:YOLOV1
YOLO V1是继 RCNN，fast-RCNN 和 faster-RCNN之后，Ross Girshick 针对 DL 目标检测速度问题提出的另外一种框架。YOLO V1 其增强版本在 GPU 上能跑45fps，简化版本155fps。YOLO1.YOLO 的核心思想 YOLO 的核心思想就是利用整张图作为网络的输入，直接在输出层回归 bounding box（边界框） ...
2019-05-20 21:16:24
356
原创 Object Detection网络框架学习:Faster-RCNN
经过RCNN和Fast RCNN的积淀，Ross B. Girshick在2016年提出了新的Faster RCNN，在结构上，Faster RCN已经将特征抽取(feature extraction)，proposal提取，bounding box regression(rect refine)，classification都整合在了一个网络中，使得综合性能有较大提高，在检测速度方面尤为明显。...
2019-05-15 11:41:39
453
原创 Object Detection网络框架学习:Fast-RCNN
2014年R-CNN横空出世，首次将卷积神经网络带入目标检测领域。受SPPnet启发，rbg在15年发表Fast R-CNN，它的构思精巧，流程更为紧凑，大幅提高目标检测速度。在同样的最大规模网络上，Fast R-CNN和R-CNN相比，训练时间从84小时减少为9.5小时，测试时间从47秒减少为0.32秒。在PASCAL VOC 2007上的准确率相差无几，约在66%-67%之间。Fast...
2019-05-14 15:47:14
266
原创 CNN网络架构学习：Chapter-6-DenseNet(附代码tensorflow)
CVPR2017年的Best Paper, DenseNet脱离了加深网络层数(ResNet)和加宽网络结构(Inception)来提升网络性能的定式思维,从特征的角度考虑,通过特征重用和旁路(Bypass)设置,既大幅度减少了网络的参数量,又在一定程度上缓解了gradient vanishing问题的产生.结合信息流和特征复用的假设,DenseNet当之无愧成为2017年计算机视觉顶会的年度最佳...
2019-05-13 11:28:07
908
原创 CNN网络架构学习：Chapter-5-ResNet(附代码tensorflow)
ResNet（Residual Neural Network）由微软研究院的Kaiming He等人提出，通过使用ResNet Unit成功训练出了152层的神经网络，并在ILSVRC2015比赛中取得冠军，ResNet在网络结构上做了大创新，而不再是简单的堆积层数，ResNet在卷积神经网络的新思路，绝对是深度学习发展历程上里程碑式的事件。ResNet闪光点：层...
2019-05-12 18:30:39
1512
原创 Object Detection网络框架学习:SPPNet
SPPNetSPP-Net是一种可以不用考虑图像大小，输出图像固定长度网络结构，并且可以做到在图像变形情况下表现稳定。SSP-net的效果已经在不同的数据集上面得到验证，速度上比R-CNN快24-102倍。在ImageNet 2014的比赛中，此方法检测中第二，分类中第三。SPPNet经典论文《Spatial Pyramid Pooling in Deep ConvolutionalNet...
2019-05-12 15:38:04
277
原创 CNN网络架构学习：Chapter-4-GoogleNet(附代码tensorflow)
GoogLeNet在2014的ImageNet分类任务上击败了VGG-Nets以较大的优势获得冠军。GoogLeNet跟AlexNet,VGG-Nets这种单纯依靠加深网络结构进而改进网络性能的思路不一样，它在加深网络的同时（22层），也在网络结构上做了创新，引入Inception结构代替了单纯的卷积+激活的传统操作（这思路最早由Network in Network提出）。GoogLeNet进一步...
2019-05-12 13:05:23
764
1
转载 CNN学习-CNN图像尺寸输入限制问题
通过CNN组成（卷积层和全连接层）进行分析。（1）卷积层 卷积层对于图像是没有尺寸限制要求的。输入图像是28*28，卷积仅于自身的卷积核大小，维度有关，输入向量大小对其无影响（如第一层卷积，输入图像的大小和维度）。# 输入图像x = tf.placeholder(tf.float32, [None, 784])y_ = tf.placeholder(tf.float32, [None...
2019-05-11 11:42:10
5831
原创 Object Detection网络框架学习:R-CNN
R-CNNR-CNN的全称是Region-CNN，是第一个成功将深度学习应用到目标检测上的算法。R-CNN基于卷积神经网络(CNN)，线性回归，和支持向量机(SVM)等算法，实现目标检测技术。R-CNN经典论文《Rich feature hierarchies for Accurate Object Detection and Segmentation》。Ross Girshick这篇p...
2019-05-11 11:38:56
346
原创 CNN网络架构学习：Chapter-3-VGGNet(附代码tensorflow)
VGG-Nets是由牛津大学计算机视觉组(Visual Geometry Group)和Google Deepmind公司研究员一起研发的深度卷积神经网络，是2014年ImageNet竞赛定位任务的第一名和分类任务的第二名的中的基础网络。VGG可以看成是加深版本的AlexNet. 都是conv layer + FC layer，层数高达十多层，当然以现在的目光看来VGG真的称不上是一个very d...
2019-05-11 09:50:58
821
原创 Object Detection网络框架学习:Chapter1-物体检测概念
在进行R-cnn的介绍之前，先简单的介绍一下物体检测相关的基础知识：物体检测在传统视觉领域，物体检测是一个非常热门的研究方向。受70年代落后的技术条件和有限应用场景的影响，物体检测直到上个世纪90年代才开始逐渐走入正轨。物体检测对于人眼来说并不困难，通过对图片中不同颜色、纹理、边缘模块的感知很容易定位出目标物体，但计算机面对的是RGB像素矩阵，很难从图像中直接得到狗和猫这样的抽象概念并定位...
2019-05-10 15:51:52
216
转载 CNN学习-Dropput
1. Dropout简介1.1 Dropout出现的原因在机器学习的模型中，如果模型的参数太多，而训练样本又太少，训练出来的模型很容易产生过拟合的现象。在训练神经网络的时候经常会遇到过拟合的问题，过拟合具体表现在：模型在训练数据上损失函数较小，预测准确率较高；但是在测试数据上损失函数比较大，预测准确率较低。过拟合是很多机器学习的通病。如果模型过拟合，那么得到的模型几乎不能用。为了解决过拟合...
2019-05-10 14:54:39
2321
原创 CNN网络架构学习：Chapter-2-AlexNet(附代码tensorflow)
2012年，Hinton的学生Alex提出了CNN模型AlexNet，AlexNet可以算是LeNet的一种更深更宽的版本。同年AlexNet以显著优势获得了IamgeNet的冠军,top-5错误率降低到了16.4%，相比于第二名26.2%的错误路有了巨大的提升，而AlexNet模型的参数量还不到第二名模型的二分之一。AlexNet可以说是神经网络在低谷期后第一次发威,确立了深度学习在计算机视觉领...
2019-05-10 14:50:10
594
转载 CNN学习-全连接（fc）
全连接层的推导全连接层的每一个结点都与上一层的所有结点相连，用来把前边提取到的特征综合起来。由于其全相连的特性，一般全连接层的参数也是最多的。全连接层的前向计算下图中连线最密集的2个地方就是全连接层，这很明显的可以看出全连接层的参数的确很多。在前向计算过程，也就是一个线性的加权求和的过程，全连接层的每一个输出都可以看成前一层的每一个结点乘以一个权重系数W，最后加上一个偏置值b得到，即 ...
2019-05-09 15:51:40
5767
1
原创 CNN网络架构学习：Chapter-1-LetNet(附代码tensorflow)
卷积神经网络可谓是现在深度学习领域中大红大紫的网络框架，尤其在计算机视觉领域更是一枝独秀。CNN从90年代的LeNet开始，21世纪初沉寂了10年，直到12年AlexNet开始又再焕发第二春，从ZF Net到VGG，GoogLeNet再到ResNet和最近的DenseNet，网络越来越深，架构越来越复杂，解决反向传播时梯度消失的方法也越来越巧妙。本文将会谈到以下经典的卷积神经网络-LetNet....
2019-05-09 11:24:44
980
转载 【深度学习】批归一化（Batch Normalization）
BN是由Google于2015年提出，这是一个深度神经网络训练的技巧，它不仅可以加快了模型的收敛速度，而且更重要的是在一定程度缓解了深层网络中“梯度弥散”的问题，从而使得训练深层网络模型更加容易和稳定。所以目前BN已经成为几乎所有卷积神经网络的标配技巧了。从字面意思看来Batch Normalization（简称BN）就是对每一批数据进行归一化，确实如此，对于训练中某一个batch的数据{x1...
2019-05-01 15:32:26
1196
转载 机器学习笔记：为什么要对数据进行归一化处理？
文章来自知乎，作者hit nlper忆臻转自：https://zhuanlan.zhihu.com/p/27627299在喂给机器学习模型的数据中，对数据要进行归一化的处理。为什么要进行归一化处理，下面从寻找最优解这个角度给出自己的看法。例子假定为预测房价的例子，自变量为面积，房间数两个，因变量为房价。那么可以得到的公式为：其中代表房间数，代表变量前面的系数。...
2019-05-01 15:30:17
1785
2017-cvpr-《Interspecies Knowledge Transfer for Facial Keypoint Detection》数据集
2020-06-03
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人