- 博客(30)
- 资源 (1)
- 收藏
- 关注
RSS订阅转载 caffe | 经典网络的caffe实现资料汇总
自2012年Alexnet赢得了ImageNet竞赛以来，深度学习（神经网络）得到了飞速发展，产生了许多的神经网络结构，本文主要总结Caffe中使用的神经网络(分类的神经网络)，本文的神经网络作者都使用Caffe训练过，并在Kaggle的Intel癌症预测比赛中进行了测试与使用（top 8%）。1. AlexnetAlexnet，2012年ImageNet竞赛冠军，深度学习的里程碑。网络结...
2018-06-29 16:24:32
391
转载 深度学习网络 | GoogleNet v1-v4解析 （2）
http://blog.csdn.net/diamonjoy_zone/article/details/70576775参考：1. Inception[V1]: Going Deeper with Convolutions2. Inception[V2]: Batch Normalization: Accelerating Deep Network Training by Reducing Int...
2018-06-29 16:07:29
500
1
转载 深度学习网络 | GoogleNet v1-v3解析（1）
一.CNN发展纵览 我们先来看一张图片： 1985年，Rumelhart和Hinton等人提出了后向传播（Back Propagation，BP）算法（也有说1986年的，指的是他们另一篇paper：Learning representations by back-propagating errors)，使得神经网络的训练变得简单可行，这篇文章在Google Scholar上的引用次数达到了...
2018-06-29 11:53:16
19788
转载 轻量级网络 | ShuffleNet解析
论文：ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices 论文链接：https://arxiv.org/abs/1707.01083算法详解： ShuffleNet是Face++的一篇关于降低深度网络计算量的论文，号称是可以在移动设备上运行的深度网络。这篇文章可以和MobileNet、...
2018-06-29 11:36:57
593
转载 深度学习网络 | GoogLeNet
0. 背景获得2014年ImageNet挑战赛(ILSVRC14)第一名，google出品 paper地址：going deeper with convolutions caffe网络结构地址：train_val.prototxt1. 主要贡献保证计算资源不变（cpu/memory）的基础上，增加了神经网络的深度和宽度。网络共使用了 22 层隐层，用于classification & ...
2018-06-29 11:32:51
326
转载 深度学习网络 inception v1-v4 解析（0） | 轻量级网络 mobilenet v1-v2
Inception v1的网络，主要提出了Inceptionmodule结构（1*1，3*3，5*5的conv和3*3的pooling组合在一起），最大的亮点就是从NIN（Network in Network）中引入了1*1 conv，结构如下图所示，代表作GoogleNet假设previous layer的大小为28*28*192，则，a的weights大小，1*1*192*64+3*3*192...
2018-06-29 11:15:21
2511
转载 深度学习网络 | ResNext解析
背景论文地址：Aggregated Residual Transformations for Deep Neural Networks 代码地址：GitHub 这篇文章在 arxiv 上的时间差不多是今年 cvpr 截稿日，我们就先理解为是投的 cvpr 2017 吧，作者包括熟悉的 rbg 和何凯明，转战 Facebook 之后代码都放在 Facebook 的主页里面了，代码也从 ResNet...
2018-06-29 10:45:25
5911
转载 卷积 | 深度可分离卷积、分组卷积、空洞卷积、转置卷积（反卷积）
参考： https://zhuanlan.zhihu.com/p/28749411 https://zhuanlan.zhihu.com/p/28186857 https://blog.yani.io/filter-group-tutorial/ https://www.zhihu.com/question/54149221 http://blog.csdn.net/guvcolie/articl...
2018-06-29 10:45:14
4457
1
转载 轻量级网络 | SqueezeNet，ShuffleNet
前言 自从AlexNet一举夺得ILSVRC 2012 ImageNet图像分类竞赛的冠军后，卷积神经网络（CNN）的热潮便席卷了整个计算机视觉领域。CNN模型火速替代了传统人工设计（hand-crafted）特征和分类器，不仅提供了一种端到端的处理方法，还大幅度地刷新了各个图像竞赛任务的精度，更甚者超越了人眼的精度（LFW人脸识别任务）。CNN模型在不断逼近计算机视觉任务的精度极限...
2018-06-29 10:19:40
473
转载 深度学习网络 | ResNet解析（3）
论文地址：Deep Residual Learning for Image Recognition ResNet——MSRA何凯明团队的Residual Networks，在2015年ImageNet上大放异彩，在ImageNet的classification、detection、localization以及COCO的detection和segmentation上均斩获了第一名的成绩，而且...
2018-06-28 20:11:56
537
转载 深度学习网络 | ResNet解析（2）
本文结构：我的阅读笔记 1.ResNet之Building block 2.ResNet之CIFAR-10实验结构其他资料 1.ResNet作者何凯明博士在ICML2016上的tutorial演讲 2.Bottleneck 3.diss ResNet的论文论文翻译---------------------------------------------------------------...
2018-06-28 20:01:15
6654
转载 轻量级网络 | DenseNet网络解析
论文：Densely Connected Convolutional Networks 论文链接：https://arxiv.org/pdf/1608.06993.pdf 代码的github链接：https://github.com/liuzhuang13/DenseNet MXNet版本代码（有ImageNet预训练模型）: https://github.com/miraclewkf/Dense...
2018-06-26 17:08:37
2028
转载 caffe | 预训练模型的使用
首先明确预训练好的模型和自己的网络结构是有差异的，预训练模型的参数如何跟自己的网络匹配的呢：参考官网教程：http://caffe.berkeleyvision.org/gathered/examples/finetune_flickr_style.html–If we provide the weights argument to the caffe train comma...
2018-06-26 17:06:04
3311
转载 轻量级网络 | SqueezeNet、MobileNet、ShuffleNet、Xception 综述（1）
本文就近年提出的四个轻量化模型进行学习和对比，四个模型分别是：SqueezeNet、MobileNet、ShuffleNet、Xception。目录一、引言 二、轻量化模型 2.1 SqueezeNet2.2 MobileNet2.3 ShuffleNet2.4 Xception三、网络对比 一、引言 自 2012 年 AlexNet 以来，卷积神经网络（简称 CNN）在图像...
2018-06-26 17:01:50
5895
转载 深度学习网络 | GoogLeNet Inception结构网络简化
论文下载Going deeper with convolutionsgoogle在ILSVRC14比赛中获得冠军的一个模型。GoogLeNet, 一个22层的深度网络。GoogLeNet模型的参数量只是两年前该项赛事的冠军Krizhevsky参数量的1/12，大大降低了网络的复杂度，甚至还达到了比Krizhevsky更高的精度。此篇论文讨论的就是如何有效的控制computation cost，降低...
2018-06-22 19:36:36
1936
转载 深度学习网络 | ResNet 解析
ResNet在2015年被提出，在ImageNet比赛classification任务上获得第一名，因为它“简单与实用”并存，之后很多方法都建立在ResNet50或者ResNet101的基础上完成的，检测，分割，识别等领域都纷纷使用ResNet，Alpha zero也使用了ResNet，所以可见ResNet确实很好用。 下面我们从实用的角度去看看ResNet。1.ResNet意义随着网络...
2018-06-22 19:34:48
727
原创 v3
# -*-coding=utf8 -*-import pandas as pdimport numpy as npimport tensorflow as tf#定义常量rnn_unit=128 #10 #hidden layer unitsinput_size=30output_size=2lr=0.001#0.0006 #学习率f = open...
2018-06-21 22:26:02
260
转载 目标检测算法综述：R-CNN，faster R-CNN，yolo，SSD，yoloV2
1 引言深度学习目前已经应用到了各个领域，应用场景大体分为三类：物体识别，目标检测，自然语言处理。上文我们对物体识别领域的技术方案，也就是CNN进行了详细的分析，对LeNet-5 AlexNet VGG Inception ResNet MobileNet等各种优秀的模型框架有了深入理解。本文着重与分析目标检测领域的深度学习方法，对其中的经典模型框架进行深入分析。目标检测可以理解为是物体识别和物体...
2018-06-20 16:01:47
7126
转载 YOLOv2 论文解读（3）
一，YOLOv2论文解读YOLO 问世已久，不过风头被SSD盖过不少，原作者自然不甘心，YOLO v2 的提出给我们带来了什么呢？ 先看一下其在 v1的基础上做了哪些改进，直接引用作者的实验结果了： 条目不少，好多Trick，我们一个一个来看： A）Batch Normalization（批量规范化） 先建立这样一个观点： 对数据进行预处理（统一格式、均衡化、去噪...
2018-06-20 15:56:49
1757
2
转载 caffe | Concat层和Eltwise层对比解析
Concat层的作用就是将两个及以上的特征图按照在channel或num维度上进行拼接，并没有eltwise层的运算操作，举个例子，如果说是在channel维度上进行拼接conv_9和deconv_9的话，首先除了channel维度可以不一样，其余维度必须一致（也就是num、H、W一致），这时候所做的操作仅仅是conv_9 的channel k1加上deconv_9的channel k2，...
2018-06-20 11:04:53
11500
1
转载 caffe | 反卷积
1.前言 传统的CNN网络只能给出图像的LABLE，但是在很多情况下需要对识别的物体进行分割实现end to end，然后FCN出现了，给物体分割提供了一个非常重要的解决思路，其核心就是卷积与反卷积，所以这里就详细解释卷积与反卷积。 对于1维的卷积，公式（离散）与计算过程（连续）如下，要记住的是其中一个函数（原函数或者卷积函数）在卷积前要翻转180度图1 对于离散卷积，f的大小是n...
2018-06-14 20:58:33
1055
3
转载 目标检测DET | FPN论文
这篇论文是CVPR2017年的文章，采用特征金字塔做目标检测，有许多亮点，特来分享。论文：feature pyramid networks for object detection 论文链接：https://arxiv.org/abs/1612.03144论文概述：作者提出的多尺度的object detection算法：FPN（feature pyramid networks）。原来多数的obje...
2018-06-14 11:43:28
284
转载 图像目标检测DET--Beyond Skip Connections: Top-Down Modulation for Object Detection
Beyond Skip Connections: Top-Down Modulation for Object Detection CVPR2017 under review code ：(coming soon) 可以结合 Feature Pyramid Networks for Object Detection 阅读大牛 Jitendra Malik 竟然都去 Google Researc...
2018-06-14 09:29:17
397
转载 改进目标检测网络 | 十大深度学习操作
CNN从2012年的AlexNet发展至今，科学家们发明出各种各样的CNN模型，一个比一个深，一个比一个准确，一个比一个轻量。 作者对近几年一些具有变革性的工作进行简单盘点，从这些充满革新性的工作中探讨日后的CNN变革方向。 本文只介绍其中具有代表性的模型，一些著名的模型由于原理相同将不作介绍，若有遗漏也欢迎指出。 作者：Professor ho 知乎：http://suo.im/16NMWy 一...
2018-06-14 09:28:22
5012
转载 YOLOv2 论文解读（2）
论文地址：YOLO9000: Better, Faster, Stronger 项目主页：YOLO: Real-Time Object Detection（最近博客下很多人请求Caffe 代码，受人所托，已经不再提供，且关闭本文评论，望请见谅）概述时隔一年，YOLO（You Only Look Once: Unified, Real-Time Object Detection）从v1版本进化到...
2018-06-08 11:44:30
270
转载 YOLOv2 论文解读（1）
论文地址：YOLO9000: Better, Faster, Stronger 项目主页：YOLO: Real-Time Object DetectionYOLO9000是CVPR2017的最佳论文提名。首先讲一下这篇文章一共介绍了YOLOv2和YOLO9000两个模型，二者略有不同。前者主要是YOLO的升级版，后者的主要检测网络也是YOLOv2，同时对数据集做了融合，使得模型可以...
2018-06-08 09:13:16
456
转载 caffe | 用训练好的caffemodel来进行分类
caffe程序自带有一张小猫图片，存放路径为caffe根目录下的examples/images/cat.jpg, 如果我们想用一个训练好的caffemodel来对这张图片进行分类，那该怎么办呢？ 如果不用这张小猫图片，换一张别的图片，又该怎么办呢？如果学会了小猫图片的分类，那么换成其它图片，程序实际上是一样的。开发caffe的贾大牛团队，利用imagenet图片和caffenet模型训练好了...
2018-06-07 14:38:40
666
转载 caffe | solver参数配置文件
solver算是caffe的核心的核心，它协调着整个模型的运作。caffe程序运行必带的一个参数就是solver配置文件。运行代码一般为# caffe train --solver=*_slover.prototxt在Deep Learning中，往往loss function是非凸的，没有解析解，我们需要通过优化方法来求解。solver的主要作用就是交替调用前向（forward)算法和后向（ba...
2018-06-07 14:37:07
194
转载 caffe | 数据层以及参数
要运行caffe，需要先创建一个模型（model)，如比较常用的Lenet,Alex等， 而一个模型由多个屋（layer）构成，每一屋又由许多参数组成。所有的参数都定义在caffe.proto这个文件中。要熟练使用caffe，最重要的就是学会配置文件（prototxt）的编写。层有很多种类型，比如Data,Convolution,Pooling等，层之间的数据流动是以Blobs的...
2018-06-07 14:34:57
178
转载 caffe | 利用caffe训练图像多分类
学习的caffe的目的，不是简单的做几个练习，而是最终落实到自己的项目或科研中去。因此，本文介绍一下，从自己的原始图片到lmdb数据，再到训练和测试的整个流程。一、数据的准备 有条件的同学，可以去ImageNet的官网点击打开链接，下载ImageNet图片来训练。但是我没有下载，因为我注册过程中一直出现bug。 也可以去这个网盘（点击打开链接）下载图像数据，包括手写数字.jpg...
2018-06-06 13:40:38
2511
1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人