![](https://img-blog.csdnimg.cn/20201014180756930.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 66
蒙特卡洛家的树
计算机视觉工程师
展开
-
目标检测-Faster RCNN
哈喽大家好,我是蒙特卡洛家的树。时间到了2016年,fastrcnn问世一年,何凯明老师就立刻提出了更快的算法,fast的名字被占用了,所以干脆就叫faster rcnn了。之前fastrcnn上说他跑一帧只需要0.几秒,其实这里玩了一个文字游戏,因为这里跑一帧只是神经网络部分,并没有涵盖region proposal的时间。而fast rcnn最耗时的部分就是region proposal部分...原创 2019-12-27 16:31:01 · 863 阅读 · 0 评论 -
目标检测-Fast RCNN
哈喽大家好,我是蒙特卡洛家的树,时间来到2015年,经历了一年的发展,官方版的快速RCNN问世了。这次出的这个fast rcnn主要借鉴了SPP的方法,共享了featuremap,大大提升了RCNN的效率,另外他自己也有一些创新。就是舍弃了之前的SVM和bbox回归两步,直接在神经网络中完成分类和回归。他的过程分这么几步。首先是CNN,整张图片输入到神经网络中,算出一个大的featuremap。...原创 2019-12-27 14:15:09 · 391 阅读 · 1 评论 -
目标检测-RCNN
rcnn首先会做一个region proposal,也就是任意的找到一些疑似完整物体的区域,这一步是任意的,根据梯度信息找到一些边缘,然后就圈出来了。这一步会找到非常多的区域作为候选框,给接下来的分类提供素材。论文说的是找了两千多个接着把那些候选框一个一个输入神经网络,算出特征接着把算出的特征交给svm去做分类,得到分类与置信度。最后每个类别在训练出四个向量,保证预测的时候特征这四个向量可...原创 2019-12-06 15:31:14 · 321 阅读 · 0 评论 -
从RCNN到FAST RCNN、FASTER RCNN再到MASK RCNN
RCNN首先RCNN的R是region的意思,也就是region selective search + CNN 具体解释就是先使用区域搜索方法找出若干个可能是物体的区域,一般通过纹理颜色直方图之类的来挑选出来。然后交给改进版的alexnet来提取特征(这里输入应该是通过resize方法适应网络的),在第五个池化层把输出交给SVM,SVM判断是不是物体,以及物体的种类。 然后使用一个线性回归...原创 2018-07-02 11:27:23 · 998 阅读 · 0 评论 -
机器学习-损失函数
softmaxsoftmax作为分类网络的最后一层,输出所有分类的概率,比方说存在猫狗鼠等十种分类,那么就会输出十个数字,分别按顺序的代表可能是猫狗鼠的概率。算法是这样的ai=ezi∑n1zkai=ezi∑1nzka_i=\frac{e^{z_i}}{\sum_1^n{z_k}},也就是e的当前这项值次方除以e的每项值次方的和。这样保证了所有加起来为一。...原创 2018-07-04 11:38:39 · 311 阅读 · 0 评论 -
机器学习-代价函数和激活函数组合效果
均方差代价函数 + sigmoidC=(y−a)22C=(y−a)22C=\frac {(y−a)^2} 2 其中,z=wx+b, 而a是经历了激活函数的z,a=σ(z)。 那么这个的梯度,对w和b分别求导,得到: ∂C∂w=(a−y)σ'(z)x=aσ'(z)∂C∂w=(a−y)σ′(z)x=aσ′(z)\frac{∂C} {∂w} =(a−y)σ′(z)x=aσ′(z) ∂C∂b...原创 2018-07-29 18:02:13 · 1306 阅读 · 0 评论 -
adaboost的通俗理解
用最通俗理解详细的介绍adaboost的过程原创 2015-07-22 14:01:17 · 2138 阅读 · 2 评论 -
kmeans(最简单的机器学习算法)
kmeans算法作为机器学习的入门算法算是比较不错的选择了,虽然是无监督学习,但是他原理简单,实现起来也非常简单。原创 2016-12-31 23:36:49 · 1845 阅读 · 0 评论 -
pooling池化操作的代码详解
池化这个操作原理非常简单,相信大家都很容易搞懂,那么这篇博客就主要从代码来谈谈吧。首先还是简单介绍一下原理(不是我偷懒想要简单介绍,是因为这个东西介绍起来本身就很简单)所谓的池化目的就是抽象,把一大片面积总结成一个数,比方说一副100*100的图,我们每50*50的区域就取一个最大值,共计能取4个最大值,那么这个2*2的最大值图像就是池化后的图像了。原创 2017-01-09 20:08:49 · 10379 阅读 · 1 评论 -
解释一下全连接层
解释全连接层的意义与原理原创 2017-09-28 11:07:27 · 81874 阅读 · 29 评论 -
极简解释inception V1 V2 V3 V4
Inception v1inception的核心就是把google net的某一些大的卷积层换成1*1, 3*3, 5*5的小卷积,这样能够大大的减小权值参数数量。直接上一张完整的图片 可以看到,卷积了几步之后就开始出现并行的过程,换成几个1*1, 3*3, 5*5的卷积并列。然后再把分别卷积的结果作为层数维度上的合并。 比方说这一层本来是一个28*28大小的卷积核,一共输出224层,...原创 2018-06-24 15:34:32 · 35750 阅读 · 10 评论