- 博客(32)
- 资源 (1)
- 收藏
- 关注
RSS订阅转载 图像分割 | SegNet
参考:https://blog.csdn.net/fate_fjh/article/details/53467948Introduction自己制作国内高速公路label，使用SegNet训练高速公路模型，测试效果 参考：http://mi.eng.cam.ac.uk/projects/segnet/tutorial.html SegNet是Cambridge提出旨在解决自动驾驶或者...
2018-07-31 17:27:24
3314
转载 语义分割 | FCN, SegNet, DeconvNet, DeepLab, ENet, GCN 综述（2）
感谢：https://blog.csdn.net/antkillerfarm/article/details/79524417Grab cutGrab cut是微软剑桥研究院于2004年提出的著名交互式图像语义分割方法。与N-cut一样，grab cut同样也是基于图划分，不过grab cut是其改进版本，可以看作迭代式的语义分割算法。Grab cut利用了图像中的纹理（颜色）信息和边界（...
2018-07-31 17:12:14
1977
转载 语义分割 | FRRN
FRRNFull-Resolution Residual Networks for Semantic Segmentation in Street Scenes收录：CVPR2017(IEEE Conference on Computer Vision and Pattern Recognition)原文地址：FRRN代码:官方：Theano TensorFlowAbstr...
2018-07-30 16:51:19
3480
转载 C++中类的实例化的两种方法
1、首先定义一个类class Coordinate{public: int m_iX; int m_iY;};2.实例化一个类的对象void main(){ Coordinate coord[3]; //栈上 coord[1].m_iX=10; //在堆中初始化一个实例 Coordinate *p=new Coordinate[3]; //堆中...
2018-07-29 11:45:55
27967
转载 图像分割 | 训练集输入labe（mask）处理以及类别不均衡的处理-以segnet为例
Tags: ComputerVision编译src/caffe/layers/contrastive_loss_layer.cpp:56:30: error: no matching function for call to ‘max(double, float)’ Dtype dist = std::max(margin - sqrt(dist_sq_.cpu_data()[i]), ...
2018-07-27 10:12:39
6514
3
原创 binary tree | 重建二叉树
一、题目：105. Construct Binary Tree from Preorder and Inorder Traversal Given preorder and inorder traversal of a tree, construct the binary tree.Note:You may assume that duplicates do not exis...
2018-07-20 00:55:41
198
原创 binary tree | 二叉树基本操作（2）最低公共祖先问题、平衡二叉树
一、题目:236. Lowest Common Ancestor of a Binary TreeDescriptionHintsSubmissionsDiscussSolutionPick OneGiven a binary tree, find the lowest common ancestor (LCA) of two given nodes in the tree....
2018-07-20 00:52:49
213
原创 binary tree | 二叉树基本操作（1）
一、题目：655. Print Binary Tree Print a binary tree in an m*n 2D string array following these rules:The row number m should be equal to the height of the given binary tree. The column number n ...
2018-07-20 00:48:08
444
原创 binary tree | 层次遍历相关
一、层次遍历题目：102. Binary Tree Level Order TraversalGiven a binary tree, return the level order traversal of its nodes' values. (ie, from left to right, level by level).For example:Given binary tr...
2018-07-20 00:39:22
241
原创 binary tree | 前序中序后序遍历
一、前序遍历题目：144. Binary Tree Preorder TraversalGiven a binary tree, return the preorder traversal of its nodes' values.Example:Input: [1,null,2,3] 1 \ 2 / 3Output: [1,2,3]...
2018-07-20 00:31:04
304
转载 图像分割 | U-Net 实例
代码见Github：mattzheng/U-Net-DemoU-Net是Kaggle比赛非常青睐的模型，简单、高效、易懂，容易定制，可以从相对较小的训练集中学习。来看几个变形： （1）Supervise.ly 公司。 在用 Faster-RCNN（基于 NasNet）定位 + UNet-like 架构的分割，来做他们数据众包图像分割方向的主动学习，当时没有使用 Mask-RCNN...
2018-07-19 17:23:50
12615
原创 leetcode 403. Frog Jump（hard）
一、题目A frog is crossing a river. The river is divided into x units and at each unit there may or may not exist a stone. The frog can jump on a stone, but it must not jump into the water.Given a li...
2018-07-19 11:04:23
243
转载 Batch Normalization详解
Batch Normalization作为最近一年来DL的重要成果，已经广泛被证明其有效性和重要性。虽然有些细节处理还解释不清其理论原因，但是实践证明好用才是真的好，别忘了DL从Hinton对深层网络做Pre-Train开始就是一个经验领先于理论分析的偏经验的一门学问。本文是对论文《Batch Normalization: Accelerating Deep Network Train...
2018-07-18 16:31:10
451
转载 人体关键点检测 | 综述（1）
-- Background专业术语：multi-person pose estimation多人姿态估计的两种研究方法——自顶向下(top-down)：先检测出多个人,再对每一个人进行姿态估计（先检测单个人，再针对单个人做single-person pose estimation。），可以将人体detection的方法加上单人姿态估计方法来实现。优点：思路直观，自然，被绝大部...
2018-07-18 10:22:30
20659
转载 YOLO算法讲解（2）
YOLO有S*S的格子，每个格子包含B个边界框，格子对应的预测总的类别数为C种类别。总结重点：1、一张图片中有多个object，即一张图片中有多个对象，如下图所示，我们框了很多的真实框，那么S*S*B个bbox的对应的confidence怎么计算出来呢？confidence=p(object)*IOU(truth,pred)，那么p(object)和IOU(truth,pred)怎么求解呢？看了一...
2018-07-16 11:46:52
2615
转载 语义分割 |semantic segmentation 常用神经网络介绍对比-FCN SegNet U-net DeconvNet
本博文转自：https://blog.csdn.net/u012931582/article/details/70314859，感谢zhixuhao.前言在这里,先介绍几个概念,也是图像处理当中的最常见任务.语义分割(semantic segmentation)目标检测(object detection)目标识别(object recognition)实例分割(instance segmentat...
2018-07-13 09:53:25
473
转载 图像分割 | FCN网络
本来这一篇是想写Faster-RCNN的，但是Faster-RCNN中使用了RPN(Region Proposal Network)替代Selective Search等产生候选区域的方法。RPN是一种全卷积网络，所以为了透彻理解这个网络，首先学习一下FCN(fully convolutional networks)Fully Convolutional Networks for...
2018-07-12 17:03:13
3184
原创 caffe | 添加新的层（详细过程）
一、整体流程 针对caffe添加新的层，网上有许多教程，这里我们举一例子，假设我想实现如下功能：将一个wxhxc的特征图reshape成(w/sample_step) x (h/smple_step) x (c*sample_step*sample_step)，也就是实现简单的每隔sample_step点下采，然后把所有的通道再拼起来，即channel的维度提高sample_step*s...
2018-07-12 16:52:21
8160
1
转载 图像分割 | U-Net
kaggle上的常客（医学图像领域比较常用，也是car分割的冠军模型）： https://www.kaggle.com/c/data-science-bowl-2018/discussion/54426 U-Net: Convolutional Networks for Biomedical Image SegmentationVALID padding not SAME padding（因为边界...
2018-07-11 20:07:14
1470
转载 Depthwise Separable convlution | 举例详细解释
下图就是depthwise separable convolution的示意图，其实就是将传统的卷积操作分成两步，假设原来是3*3的卷积，那么depthwise separable convolution就是先用M个3*3卷积核一对一卷积输入的M个feature map，不求和，生成M个结果；然后用N个1*1的卷积核正常卷积前面生成的M个结果，求和，最后生成N个结果。因此文章中将dep...
2018-07-11 12:02:50
16517
9
转载 深度学习网络 | Xception (含与mobilenet depthwise seperable conv比较)
论文：Xception: Deep Learning with Depthwise Separable Convolutions 论文链接：https://arxiv.org/abs/1610.02357--------------------------------------------------------------------------------------------------...
2018-07-11 10:37:43
1608
转载 mAP precision recall
Precision and Recall 在模型评估时，我们往往会参照一些性能指标，最基本的如准确率和召回率。看过西瓜书的同学应该对下面这张表格很熟悉： predicted:P predicted:Factual:P TP FNactual:N FP TN 这张表其实很好记忆，横着看(actual:P和actual:N)代表实际所属的类别;竖着看(predic...
2018-07-11 09:43:29
244
转载 图像目标检测 | RFCN 论文解析（1）
目录作者及相关链接方法概括方法细节实验结果总结参考文献 作者及相关链接作者：作者链接：代季峰，何恺明，孙剑论文链接：论文传送门代码链接：matlab版，python版方法概括R-FCN解决问题——目标检测整个R-FCN的结构一个base的conv网络如ResNet101, 一个RPN（Faster RCNN来的）,一个position sensitive的prediction层，最后的ROI p...
2018-07-07 10:50:30
1341
转载 caffe | caffe中的batchNorm层
链接： http://blog.csdn.net/wfei101/article/details/78449680caffe 中为什么bn层要和scale层一起使用这个问题首先你要理解batchnormal是做什么的。它其实做了两件事。1) 输入归一化 x_norm = (x-u)/std, 其中u和std是个累计计算的均值和方差。2）y=alpha×x_norm + beta，对归一化后的x进行...
2018-07-05 11:04:33
320
转载 SSD论文解析（1）
回到顶部一. 算法概述本文提出的SSD算法是一种直接预测目标类别和bounding box的多目标检测算法。与faster rcnn相比，该算法没有生成 proposal 的过程，这就极大提高了检测速度。针对不同大小的目标检测，传统的做法是先将图像转换成不同大小（图像金字塔），然后分别检测，最后将结果综合起来（NMS）。而SSD算法则利用不同卷积层的 feature map 进行综合也能达到同样的...
2018-07-05 09:08:25
3257
转载 caffe | 利用训练好的caffemodel进行测试
这是一个python脚本，用训练好的caffemodel来测试图片，接下来直接上代码，里面有详细解释，大部分你要修改的只是路径，另外在这个脚本的基础上你可以根据自己的需要进行改动。需要的东西：训练好的caffemodel，deploy.prototxt（可以从你的train.prototxt修改得到），可以用的caffe，待测试的图像（比如jpg）import syscaffe_root='/y...
2018-07-04 11:29:40
2309
转载 深度学习压缩模型 | 方法综述（3）
前言在前两章，我们介绍了一些在已有的深度学习模型的基础上，直接对其进行压缩的方法，包括核的稀疏化，和模型的裁剪两个方面的内容，其中核的稀疏化可能需要一些稀疏计算库的支持，其加速的效果可能受到带宽、稀疏度等很多因素的制约；而模型的裁剪方法则比较简单明了，直接在原有的模型上剔除掉不重要的filter，虽然这种压缩方式比较粗糙，但是神经网络的自适应能力很强，加上大的模型往往冗余比较多，将一些参数剔除之后...
2018-07-03 14:08:19
511
转载 深度学习模型压缩 | 方法综述（2）
前言上一章，将基于核的稀疏化方法的模型压缩方法进行了介绍，提出了几篇值得大家去学习的论文，本章，将继续对深度学习模型压缩方法进行介绍，主要介绍的方向为基于模型裁剪的方法，由于本人主要研究的为这个方向，故本次推荐的论文数量较多，但都是非常值得一读的。基于模型裁剪的方法对以训练好的模型进行裁剪的方法，是目前模型压缩中使用最多的方法，通常是寻找一种有效的评判手段，来判断参数的重要性，将不重要的conne...
2018-07-03 14:06:18
1019
转载 深度学习模型压缩 | 方法综述（1）
前言目前在深度学习领域分类两个派别，一派为学院派，研究强大、复杂的模型网络和实验方法，为了追求更高的性能；另一派为工程派，旨在将算法更稳定、高效的落地在硬件平台上，效率是其追求的目标。复杂的模型固然具有更好的性能，但是高额的存储空间、计算资源消耗是使其难以有效的应用在各硬件平台上的重要原因。最近正好在关注有关深度学习模型压缩的方法，发现目前已有越来越多关于模型压缩方法的研究，从理论研究到平台实现，...
2018-07-03 14:04:49
709
转载 深度学习网络 | yolo v1论文讲解（1）
You Only Look Once: Unified, Real-Time Object DetectionAbstract作者提出了一种新的物体检测方法YOLO。YOLO之前的物体检测方法主要是通过region proposal产生大量的可能包含待检测物体的 potential bounding box，再用分类器去判断每个 bounding box里是否包含有物体，以及物体所属类别的 pro...
2018-07-03 13:53:02
779
转载 模型压缩 | Deep Compression论文理解及Caffe源码修改（2）
背景传统的CNN网络训练完之后，全连接层的权值矩阵动辄就几十万、几百万个参数值，可见CNN模型的庞大，但是仔细观察CNN的权值矩阵就会发现，里面有很多的参数的绝对值都很小，比如在-0.001到0.001之间，也就是说这些连接对CNN的训练或者测试结果作用很小，因此我们就可以尝试将这些小值参数去掉，既可以减小模型的规模又可以减少计算量，最重要的前提是要保证CNN的有效性，也即正确率。主要思路修改bl...
2018-07-02 12:47:38
1331
1
转载 模型压缩 | Deep Compression论文理解及Caffe源码修改（1）
1.在.cu中目前仍然是调用cpu_data接口，所以可能会增加与gpu数据交换的额外耗时，这个不影响使用，后面慢慢优化。~(已解决) 2.目前每层权值修剪的比例仍然是预设的，这个比例需要迭代试验以实现在尽可能压缩权值的同时保证精度。所以如何自动化选取阈值就成为了后面一个继续深入的课题。 3.直接用caffe跑出来的模型依然是原始大小，因为模型依然是.caffemodel类型，虽然大部分权值为...
2018-07-02 12:40:42
1739
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人