![](https://img-blog.csdnimg.cn/20201014180756930.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
u011862114
这个作者很懒,什么都没留下…
展开
-
Meta-SGD在跟踪领域的应用:Meta-Tracker
优化算法三要素:初始化,学习率,更新方向。传统方法是手工设定这些参数,而Meta-SGD则设计算法端到端地学习这些参数。从上图的结果可以看出,利用meta-sgd中提到的方法来改进CREST之后,仅使用一次迭代就达到较好的效果,模型能够快速适应新任务,这也说明了meta-sgd学习到了比较好的初始化参数、学习率与参数的更新方向。...原创 2018-06-14 17:07:19 · 1516 阅读 · 0 评论 -
1*1卷积的作用
1*1卷积的主要作用有以下几点:1、降维( dimension reductionality )。比如,一张500 * 500且厚度depth为100 的图片在20个filter上做1*1的卷积,那么结果的大小为500*500*20。2、加入非线性。卷积层之后经过激励层,1*1的卷积在前一层的学习表示上添加了非线性激励( non-linear activation ),提升网络的表达能力;下面举一...原创 2018-06-06 22:22:57 · 13545 阅读 · 4 评论 -
目标跟踪之CREST:Convolutional Residual Learning for Visual Tracking(ICCV2017目标跟踪性能最佳)
下篇博客准备记录一下利用元学习的方法在CREST上的改进,同时介绍下few-shot learning,迁移学习,元学习等领域的一些工作。原创 2018-06-10 21:55:50 · 877 阅读 · 0 评论 -
深度学习:记录学习过程中思考的一些小问题
1.卷积神经网络中,通常有跨层的feature map融合,有时候会出现feature map的大小不同或者channel数不同,这时将不能进行特征融合,应如何解决这些问题?1)feature map大小不同,通常是因为在卷积神经网络中加入了池化层(pool),池化层的作用是降维,减轻计算量,同时能保留一些重要的信息,比较常用的是max pooling。然而经过pooling层的feature m...原创 2018-06-10 22:43:01 · 318 阅读 · 0 评论