深度学习
Zahen
本科大三
未来码农
兴趣广泛
热爱生活
展开
-
Robot learning
Physics Representation Learning 学习理解世界state representation1、所谓的state,或者说状态,机器人对于自身和环境的描述,机器人自身的state可能用关节角度表示,而外界环境可能包含object bounding box,6-DOF pose。state通常作为连接perception模块和planning & control...原创 2020-02-24 11:31:51 · 525 阅读 · 0 评论 -
U-Net经典语义分割网络解读之系列二
深度学习的图像分割是一个有监督问题,需要ground truth作为训练的标签,网络损失函数一般是用dice 系数,简单讲就是分割结果与ground truth像素重合个数与总面积的比值。医学图像分割框架医学图像分割主要有两种框架,一个是基于CNN的,另一个就是基于FCN的。这里都是通过网络来进行语义分割。那么什么是语义分割?可不是汉字分割句意,在图像处理中有自己的定义。图像语义分...原创 2020-02-22 15:50:46 · 929 阅读 · 0 评论 -
U-Net经典语义分割网络解读之FCN
回顾:全卷积网络CNN能够对图片进行分类,而FCN被用来解决识别图片中特定部分的物体,解决图像语义分割这一大问题。通常CNN网络在卷积层之后接上若干个全连接层,将卷积层产生的特征图映射成一个固定长度的特征向量,以AlexNet为代表的经典CNN结构适合于图像级的分类和回归任务,因为它们最后都期望得到整个输入图像的一个数值描述(概率),一如AlexNet的ImageNet模型输出一个1000...原创 2020-02-22 14:32:42 · 588 阅读 · 0 评论 -
卷积神经网络是如何实现不变性特征提取的?
传统的图像特征提取(特征工程)主要是基于各种先验模型,通过提取图像关键点、生成描述子特征数据、进行数据匹配或者机器学习方法对特征数据二分类/多分类实现图像的对象检测与识别。卷积神经网络通过计算机自动提取特征(表示工程)实现图像特征的提取与抽象,通过MLP实现数据的回归与分类。二者提取的特征数据都具不变性特征。迁移不变形 尺度不变性 辐照度/亮度不变性CNN为什么能提取到图像特征?关键点在...原创 2020-02-20 23:57:57 · 1776 阅读 · 0 评论