![](https://img-blog.csdnimg.cn/20201014180756757.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
paper学习
MachineLP
成功收获成果,失败收获智慧,投入收获快乐!
展开
-
DeepID人脸识别算法之三代
DeepID人脸识别算法之三代DeepID,目前最强人脸识别算法,已经三代。如今,深度学习方兴未艾,大数据风起云涌,各个领域都在处于使用深度学习进行强突破的阶段,人脸识别也不例外,香港中文大学的团队使用卷积神经网络学习特征,将之用于人脸识别的子领域人脸验证方面,取得了不错的效果。虽然是今年7月份才出的成果,但连发三箭,皆中靶心,使用的卷积神经网络已经改进了三次,破竹之势转载 2016-05-21 20:00:26 · 1183 阅读 · 0 评论 -
SPP for Visual Recognition
本文的两个亮点:1. 多尺度训练CNN。2. 将图像分割后的特征转换为最小计算量,大大加速了detection的速度。关于第一点:我们知道,卷积保留了图像的spatial信息,同时卷积层其实是不受输入图像大小的限制的,之所以在训练CNN时,需要固定图像尺寸,主要是由于全连接层的输入需要固定维度的。但是,如果在进全连接层之前的一层,我们把无论多大的图都转换到相同维度,这样前面其实是不限制转载 2016-05-21 17:22:32 · 633 阅读 · 0 评论 -
Faster R-CNN
摘要目前最先进的目标检测网络需要先用区域建议算法推测目标位置,像SPPnet[7]和Fast R-CNN[5]这些网络已经减少了检测网络的运行时间,这时计算区域建议就成了瓶颈问题。本文中,我们介绍一种区域建议网络(Region Proposal Network, RPN),它和检测网络共享全图的卷积特征,使得区域建议几乎不花时间。RPN是一个全卷积网络,在每个位置同时预测目标边界和obje转载 2016-05-17 21:23:52 · 2282 阅读 · 0 评论 -
论文笔记 《Fast R-CNN》
R-CNN的进化版,0.3s一张图片,VOC07有70的mAP,可谓又快又强。而且rbg的代码一般写得很好看,应该会是个很值得学习的项目。动机为何有了R-CNN和SPP-Net之后还要提出Fast RCNN(简称FRCN)?因为前者有三个缺点训练的时候,pipeline是隔离的,先提proposal,然后CNN提取特征,之后用SVM分类器,最后再做bbox regres转载 2016-05-17 21:21:36 · 871 阅读 · 0 评论 -
Selective Search for Object Recognition解读
Selective Search for Object Recoginitionsurgewong@gmail.comhttp://blog.csdn.net/surgewong 在前一段时间在看论文相关的工作,没有时间整理对这篇论文的理解。在前面的一篇博客【1】中有提到Selective Search【2】,其前期工作利用图像分割转载 2016-04-26 10:23:55 · 962 阅读 · 2 评论 -
《PCANet: A Simple Deep Learning Baseline for Image Classification》中文翻译总结
PCANet可谓是国内技术大牛新提出的一种新的深度学习框架,为了方便大家研究,在此将其摘要、引言、基本原理介绍等三部分的内容进行了翻译,不过并非原文直译,会加上一点我自己的理解,次要部分也会一笔带过。如果大家不介意,可以去阅读原版的英文文档。 摘要 在这篇文章中,我们提出了一个很简洁的关于图像分类的深度学习框架,这个框架主要依赖几个基本的数据处理方法:1)主成分分析PCA。2)转载 2016-03-18 09:30:21 · 1803 阅读 · 0 评论