![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
文章平均质量分 81
Blssel
关注Deep Learning,Action Recognition,Video Understading,Tensorflow等,有任何学习上的问题欢迎大家发邮件和我交流:yinzhiyu17@mails.ucas.ac.cn
展开
-
论文笔记C3D:Learning Spatiotemporal Features with 3D Convolutional Networks
思考对视频进行描述,其描述子必须:1.具有普遍性以适应各种场景;2.必须短小紧凑3.必须利于计算4.必须易于实现图像识别中,特征提取的很完备和优秀,但不适用于视频。本文致力于利用3D CNN提取时空特征。我们只用线性分类器来分类它们,以验证特征好坏。并且这些特征可以被拿来做各种视频分析任务,无需针对任务再调整模型(就笔者知道的,包括video caption, temporal action det原创 2018-03-23 10:51:53 · 1708 阅读 · 2 评论 -
异常行为检测阅读笔记:Real-world Anomaly Detection in Surveillance Videos
前沿这篇仍然是以前写的,CVPR2018关于异常行为检测的文章。这篇文章比较特殊,因为它打破了以往异常行为检测默认的无监督套路,对异常行为进行了人为定义,即规定了几个需要检测的异常行为,而且都是在日常生活中比较常见的,并给出了一个他们自己构建的真实监控场景下的异常行为检测数据库。这个数据库明确规定了一些需要检测出来的异常行为,而且其构建方法也比较讨巧,即仅仅告知某段视频中存在某种异常,而不标注异...原创 2019-03-21 17:56:27 · 12619 阅读 · 3 评论 -
异常行为检测阅读笔记:Future Frame Prediction for Anomaly Detection – A New Baseline
前言之前写的博客,一直没放出来,今天亮出来晒晒太阳。深度学习时代的无监督异常行为检测,套路都非常单一,都是用生成式网络(包括自编码器,GAN等)来重构或简单地预测帧,然后通过比较重构误差和阈值来达到判断异常与否的目的。这一篇就是一个典型,不过工作做得蛮充足,效果也不错,值得学习。本文出自上科大(上海科技大学)高盛华老师团队。code已放,写的很不错:https://github.com/st...原创 2019-03-21 11:16:29 · 7158 阅读 · 20 评论 -
深入理解——召回率(recall) 准确率(precision) 精度(accuracy) 错误率(error)
精度和错误率这个最常用,用在常见的分类任务中,比如有鸡,鸭,鹅,狗,猫若干,让模型一一回答他们的类别,见到扁嘴脖子长还会嘎嘎叫的,回答为鸭,预测正确,否则回答错误。最后 (回答正确个数) 除以 鸡鸭鹅狗猫总数 = 精度. ![1](img src=”https://img-blog.csdn.net/20180811184601314?watermark/2/text/aHR0cHM6Ly9...原创 2018-08-11 19:05:06 · 10699 阅读 · 1 评论 -
tf.nn.top_k函数
tf.nn.top_k 返回最内层一维(也就是最后一维)的前k个最大的元素,以及它所对应的索引。返回的值除了最后一维维度为k之外,其它维度维持原样。原创 2018-03-30 23:20:53 · 3392 阅读 · 0 评论 -
LSTM(循环神经网络RNN)dropout技术——Recurrent Neural Network regularization阅读笔记
Recurrent Neural Network regularization简单回顾LSTM照例先规定符号含义,我们此处默认指多层RNN网络。规定hlt∈Rnhtl∈Rnh^l_t\in{R^n}表示第lll层ttt时间步的因状态,维度为n,当l=0l=0l=0时,h0tht0h^0_t表示ttt时刻的外部输入;因为LSTM网络中使用全连接网络作为常规操作,全连接的数学表达为Wx+b...原创 2018-07-20 13:09:39 · 11451 阅读 · 3 评论 -
Dropout技术及理解
dropout技术过拟合是Deep Neural Networks(DNN)网络存在的问题之一。过拟合的特点是模型对训练数据的拟合非常好,但对测试数据的拟合却非常差,具体表现为loss和在训练集上的错误率非常低,而在验证集或测试集上却都要高很多。针对解决过拟合问题设计出来的方法很多,dropout就是其中一种最简单,也是最有效的方法。如何使用Dropout?在训练DNN网络的过程中,对于每...原创 2018-07-19 17:11:56 · 4765 阅读 · 3 评论 -
卷积神经网络之GoogleNet
小组成员:成员一:姓名:* 学号:2017*********成员二:姓名:* 学号:2017**********本文是UCAS模式识别与机器学习某一次调研作业,共分为3篇博客,此为其一,作业相关代码托管在GitHub上,如需查阅相关代码,可通过网址https://github.com/Blssel/TF-learing/tree/master/prml_co...原创 2018-07-19 17:01:16 · 483 阅读 · 0 评论 -
卷积神经网络之ResNet: Deep Residual Learning for Image Recognition论文阅读笔记 (附tensorflow代码解读)
小组成员:成员一:姓名:* 学号:2017*********成员二:姓名:* 学号:2017**********本文是UCAS模式识别与机器学习某一次调研作业,共分为3篇博客,此为其一,作业相关代码托管在GitHub上,如需查阅相关代码,可通过网址https://github.com/Blssel/TF-learing/tree/master/prml_co...原创 2018-07-19 16:50:48 · 670 阅读 · 0 评论 -
图卷积神经网络介绍(GCNs)
之前承诺要写一个关于graph network的介绍,因为随着deep learning的发展达到一个很高的水平,reasoning(推理)能力的具备变得异常迫切。而knowledge graph则是实现reasoning的重要途径之一,如何从复杂的graph中学习到潜在的知识是一项非常challenging的任务,图作为knowledge的存储媒介,deep learning作为信息抽取的重要工...原创 2018-07-18 15:05:36 · 26218 阅读 · 3 评论 -
图网络之——Graph Memory Networks
Graph Memory Networks for Molecular Activity PredictionIntroductiongraph(图)作为一种数据结构,能够表达非常复杂的关系,比如社交关系网络,见下图。充分挖掘graph中蕴含的知识,是一个非常challenging的任务,已有的方法像 kernel-based method运用到大量数学知识,值得学习一下,但在dee...原创 2018-07-17 20:07:45 · 6894 阅读 · 2 评论 -
Tensorflow TFRecords及多线程训练详解
先修知识——protocol bufferprotocol buffer的使用将数据集转化成TFRecords形式读取数据TF多线程机制参考也可移步my github查看先修知识——protocol bufferTF框架中多处使用了protocol buffer,protocol buffer全称Google Protocol Buffer,简称Proto...原创 2018-03-16 10:46:44 · 2470 阅读 · 1 评论