- 博客(10)
- 资源 (4)
- 收藏
- 关注
RSS订阅原创 不懂视频分类？ResNet3D帮你搞定
随着短视频应用火爆全网，现在各种短视频已经占据了全网50%以上的流量，那么如何对短视频分类就成了一个问题。目前，我们使用卷积网络可以有效的对图片进行分类，同时精度也比较高。那么神经网络是否可以对视频分类呢？答案是肯定的，本文带你使用ResNet3D网络来完成视频分类任务。本文对ResNet3D论文解读和复现，ResNet3D网络主要内容出自以下两篇论文：《Can Spatiotemporal 3D CNNs Retrace the History of 2D CNNs and ImageNet?》《W
2020-12-24 09:33:31
3989
12
原创 图像分割套件PaddleSeg全面解析（七）评估代码解读
之前解析了PaddleSeg训练模型的过程，在训练结束后会输出模型文件。得到模型文件，就可以对图片进行预测，还可以实现模型结果可视化，查看分割效果。使用模型文件分割图片，可运行以下命令：python predict.py \ --config configs/quick_start/bisenet_optic_disc_512x512_1k.yml \ --model_path output/iter_1000/model.pdparams \ --image_
2020-12-23 19:36:51
2708
1
原创 手把手带你实现基于深度学习的垃圾分类器
随着PaddlePaddle2.0的更新，PaddleClas图像分类套件也更新到了2.0-rc1版本。新版本的PaddleClas套件已经默认使用动态图来进行模型训练。现在我们使用PaddleClas套件从零实现一个简单的垃圾分类器，来体验一下新版本的PaddleClas的的方便快捷，即使初学者也能训练出高精度的模型。本篇文章分为上下两部分，上部讲解如何从零开始训练，下部讲解部分核心代码以及深度学习训练过程中使用到的技术。1.准备数据集数据集下载地址:https://aistudio.baidu.c
2020-12-15 09:21:23
2476
3
原创 图像分割套件PaddleSeg全面解析（六）损失函数代码解析
目前PaddleSeg套件的动态图版本只支持一种损失函数Cross Entroy Loss(交叉熵)。Cross Entroy Loss是一种很常用的损失函数，在图像分类中基本都会用到。一般在图像分类中，神经网络最终输出节点数目与类别数一致，形状为[batch_size, num_classes]，样本标签直接使用类别的序号表示,形状为[batch_size, 1]。在paddle中计算交叉熵的函数为softmax_with_cross_entropy，一般比较常用的两个参数为logits和label,可以
2020-12-13 16:04:20
3094
4
原创 图像分割套件PaddleSeg全面解析（五）模型与Backbone代码解读
本章节将介绍PaddleSeg的核心部分，分割和模型和主干网络部分，在yaml配置文件中有以下定义：#模型信息model: #模型的类型FCN type: FCN #使用的主干网络为HRNet backbone: type: HRNet_W18 #主干网络的预训练模型的下载地址。 pretrained: https://bj.bcebos.com/paddleseg/dygraph/hrnet_w18_ssld.tar.gz #模型支持的类别为19种。
2020-12-11 13:55:50
4971
5
原创 图像分割套件PaddleSeg全面解析（四）数据预处理
本部分主要介绍一下数据增强部分，PaddleSeg套件里把数据增强部分都定义在transforms里面，这样就与Pytorch比较类似，这样就把一些基本的图像处理方法(缩放、归一化等)和数据增强（随机裁剪、翻转、颜色抖动）统一了，自己新增的数据增强方法也可以添加在这里。 transforms包含多种数据增强方法，如下图所示：数据增强的代码入口与Dataset一样来自Config类，在后去config对象是的transfroms成员时，会根据yaml文件创建对应的对象。 比如yaml文件配置如下:tra
2020-12-11 13:47:28
4622
1
原创 图像分割套件PaddleSeg全面解析（三）DataSet代码解读
训练神经网络模型，数据集是必不可少的。一个简洁高效的数据集管理方法科技节省很多时间。PaddleSeg套件中对数据集进行了抽象，创建了一个DateSet类用来管理数据集，本篇我们将解读DataSet类的代码。首先看一下Dateset的代码结构:在yaml配置文件中，我们配置的train_dataset的type为Cityscapes类型。通过以上Config代码的解读，我们知道了在第一次调用Config对象的train_dataset属性时会懒加载创建Cityscapes对象。 Cityscapes类
2020-12-11 11:28:17
3147
5
原创 图像分割套件PaddleSeg全面解析（二）Config代码解读
上一篇介绍了图像分割PaddleSeg套件的整体情况，并介绍了训练的入口文件train.py。在train.py文件中会对配置文件进行解析，获得训练参数。这一篇主要介绍，如何通过Config类对配置文件进行解析。Config类定义在paddleseg/cvlibs/config.py文件中。它保存了数据集配置、模型配置以及主干网络的配置、损失函数配置以及所有的超参数。在PaddleSeg中，通过使用YAML文件的方式保存配置。该方法的好处是，只需要对YAML进行修改，或者创建新的YAML文件就可以完成新的
2020-12-11 11:07:40
5586
20
原创 图像分割套件PaddleSeg全面解析（一）train.py代码解读
首先祝贺百度团队百度斩获NeurIPS2020挑战赛冠军，https://www.jiqizhixin.com/articles/2020-12-09-2。在此次比赛中使用的是基于飞桨深度学习框架开发的图像分割套件PaddleSeg。从这篇文章开始，我将持续更新《图像分割套件PaddleSeg全面解析》系列文章，由于个人水平有限，如有错误之处请见谅，谢谢。PaddleSeg是百度基于自家的PaddlePaddle开发的端到端图像分割开发套件。包含多种主流的分割网络。PaddleSeg采用模块化的方式设计
2020-12-11 10:34:42
18160
13
原创 基于飞桨复现 CVPR2018 Relation Net小样本学习
基于飞桨复现 CVPR2018 Relation Net小样本学习Relation Net 是 CVPR2018的一篇论文，论文链接：https://arxiv.org/abs/1711.06025。深度学习在视觉识别任务中取得巨大的成功，文章作者指出训练模型需要大量标注过的图片，同时需要迭代多次去训练参数。每当添加新的物体类别需要花费时间去标注，同时有一些新兴物体类别和稀有物体类别可能根本不存在大量的标注过的图片。而人类是只要很少的认知学习就可实现小样本（FSL）和无样本学习(ZSL)。作者举了一个
2020-12-10 22:03:07
676
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人