![](https://img-blog.csdnimg.cn/20201014180756918.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
论文
文章平均质量分 94
2014wzy
这个作者很懒,什么都没留下…
展开
-
深度学习研究理解10:Very Deep Convolutional Networks for Large-Scale Image Recognition
本文是牛津大学 visual geometry group(VGG)Karen Simonyan 和Andrew Zisserman 于14年撰写的论文,主要探讨了深度对于网络的重要性;并建立了一个19层的深度网络获得了很好的结果;在ILSVRC上定位第一,分类第二。一:摘要……从Alex-net发展而来的网络主要修改一下两个方面:1,在第一个卷基层层使用更小的filter尺寸和间转载 2016-09-05 20:13:51 · 895 阅读 · 0 评论 -
Faster R-CNN论文详解
paper链接:Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks&创新点设计Region Proposal Networks【RPN】,利用CNN卷积操作后的特征图生成region proposals,代替了Selective Search、EdgeBoxes转载 2016-10-15 17:11:34 · 3088 阅读 · 0 评论 -
R-CNN论文详解
paper链接:Rich feature hierarchies for accurate object detection and semantic segmentation&创新点采用CNN网络提取图像特征,从经验驱动的人造特征范式HOG、SIFT到数据驱动的表示学习范式,提高特征对样本的表示能力;采用大样本下有监督预训练+小样本微调的方式解决小样本转载 2016-10-15 17:10:25 · 15644 阅读 · 4 评论 -
写作套路:如何写论文摘要
前言第一次写论文,也不是很清楚该怎么写,论文倒是看了不少,索性就分析下论文的各个部分究竟该怎么写。 论文主要分为Abstract、Introduction、Related works、Method、Evaluation、Discussion、Reference 下面分别从这几个方面进行阐述,这里我选择8篇论文的摘要进行对比,分析他们是怎么写的。 首先是Abstract,即摘要部转载 2017-01-13 16:29:15 · 2183 阅读 · 0 评论 -
AlexNet-ImageNet Classification with Deep Convolutional Neural Networks
引言最近受AlphaGo的刺激,开始从google新开源的Tensorflow库学习DeepLearning。便匆匆忙忙的把环境搭建好,配合官网教程学习源代码,但是由于之前没在意机器学习这块的知识,感觉拉下了不少功课,在Image Recognition章的CNN小节遇到了不少挫折。所以,我就花了两天业余时间精读了一下Alex Krizhevsky的发表文章,感觉获益良多,所以在这做点翻译 2017-04-17 19:25:31 · 862 阅读 · 0 评论 -
Faster R-CNN翻译
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal NetworksShaoqing Ren, Kaiming He, Ross Girshick, Jian Sun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]这些网络转载 2016-08-31 22:36:32 · 1076 阅读 · 0 评论 -
人脸识别 - A Discriminative Feature Learning Approach for Deep Face Recognition
A Discriminative Feature Learning Approach for Deep Face Recognition ECCV 2016code: https://github.com/ydwen/caffe-face本文针对人脸识别问题,针对 loss function提出了加入 center loss,使得学习到地 深度特征更加 discriminati翻译 2017-04-13 20:44:14 · 914 阅读 · 0 评论 -
Training Region-based Object Detectors with Online Hard Example Mining - cvpr 2016 oral
这是rbg大神的又一神作,cvpr 2016的oral paper,论文地址here。 给rbg大神发邮件问了下问题,想不打大神居然回我,还给了开源的代码:https://github.com/abhi2610/ohem,(太开心了) 另外另一个作者的主页:http://abhinav-shrivastava.info/====题外话,说下自己的implemen转载 2017-05-03 10:57:16 · 547 阅读 · 0 评论 -
SequenceNet论文翻译
论文地址:SqueezeNet 论文翻译:木凌 时间:2016年11月。 文章连接:http://blog.csdn.net/u0145407171 引言和动机最近对深卷积神经网络(CNN)的研究集中在提高计算机视觉数据集的准确性。 对于给定的精度水平,通常存在实现该精度水平的多个CNN架构。给定等效精度,具有较少参数的CNN架构具有几个优点: 1. 更高效的分布式翻译 2017-05-20 15:40:51 · 1271 阅读 · 0 评论 -
Batch Normalization
一、背景意义本篇博文主要讲解2015年深度学习领域,非常值得学习的一篇文献:《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》,这个算法目前已经被大量的应用,最新的文献算法很多都会引用这个算法,进行网络训练,可见其强大之处非同一般啊。近年来转载 2016-10-20 16:05:46 · 2758 阅读 · 0 评论 -
Training Region-based Object Detectors with Online Hard Example Mining - cvpr 2016 oral
这是rbg大神的又一神作,cvpr 2016的oral paper,论文地址here。 给rbg大神发邮件问了下问题,想不打大神居然回我,还给了开源的代码:https://github.com/abhi2610/ohem,(太开心了) 另外另一个作者的主页:http://abhinav-shrivastava.info/====题外话,说下自己的implemen转载 2016-10-30 21:54:42 · 1083 阅读 · 0 评论 -
DeepFashion: Powering Robust Clothes Recognition and Retrieval with Rich Annotations – CVPR 2016
DeepFashion: Powering Robust Clothes Recognition and Retrieval with Rich Annotations – CVPR 2016论文(project):http://personal.ie.cuhk.edu.hk/~lz013/projects/DeepFashion.html1 clothes转载 2016-10-30 21:48:35 · 898 阅读 · 0 评论 -
论文《A Convolutional Neural Network Cascade for Face Detection》笔记
论文:A Convolutional Neural Network Cascade for Face Detection.pdf实现:https://github.com/anson0910/CNN_face_detection该论文发表于2015年CVPR上,作者提出了一种级连的CNN网络结构用于人脸识别,论文的主要贡献有以下四点:提出了一种级连的CNN网络结构用于高转载 2016-10-21 19:23:03 · 1633 阅读 · 0 评论 -
Fast R-CNN论文详解
废话不多说,上车吧,少年paper链接:Fast R-CNN&创新点规避R-CNN中冗余的特征提取操作,只对整张图像全区域进行一次特征提取;用RoI pooling层取代最后一层max pooling层,同时引入建议框信息,提取相应建议框特征;Fast R-CNN网络末尾采用并行的不同的全连接层,可同时输出分类结果和窗口回归结果,实现转载 2016-10-13 17:05:49 · 862 阅读 · 0 评论 -
R-CNN,SSP-Net,fast-RCNN,faster-RCNN论文读后笔记
一:R-CNN(Rich feature hierarchies for accurate object detection andsemantic segmentation v5.pdf)R指的是region,也就是在数据进入深度网络(CNNs)之前进行预处理,在预训练图像中生成若干个regionproposals,再将这些regionproposals进行resize,因为CNN网转载 2016-10-13 17:06:59 · 1093 阅读 · 0 评论 -
论文笔记 《Fast R-CNN》
转载自http://zhangliliang.com/2015/05/17/paper-note-fast-rcnn/论文出处见:http://arxiv.org/abs/1504.08083项目见:https://github.com/rbgirshick/fast-rcnnR-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的代码一般转载 2016-10-13 17:02:07 · 1417 阅读 · 0 评论 -
Spatial Pyramid Pooling in Deep Convolutional Networks for Visual
声明:本文所有图片均来自原始文章,自己的理解也未必正确,请查看原图并拍砖 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原创 2016-10-15 11:32:55 · 546 阅读 · 0 评论 -
SPPnet论文总结
小菜看了SPPNet这篇论文之后,也是参考了前人的博客,结合自己的一些观点写了这篇论文总结。 这里参考的连接如下: [http://blog.csdn.net/u013078356/article/details/50865183] 论文: 《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Reco转载 2016-10-15 17:14:10 · 1964 阅读 · 0 评论 -
[译] 理解 LSTM 网络
Recurrent Neural Networks人类并不是每时每刻都从一片空白的大脑开始他们的思考。在你阅读这篇文章时候,你都是基于自己已经拥有的对先前所见词的理解来推断当前词的真实含义。我们不会将所有的东西都全部丢弃,然后用空白的大脑进行思考。我们的思想拥有持久性。传统的神经网络并不能做到这点,看起来也像是一种巨大的弊端。例如,假设你希望对电影中的每个时间点的时间类型进行分类。传统的神翻译 2016-10-19 16:13:02 · 838 阅读 · 0 评论 -
Very Deep Convolutional Networks for Large-Scale Image Recognition(VGG模型)
最近在看imagenet ILSVRC2015 比赛结果,除了 msra 的深度残差神经网络外,采用最多的还是 googlenet和VGG这两种网络模型, 优化方法上更多的使用了batch nomalization,prelu等,大多团队都是这两个模型上改进,采用新的优化方法,多模型融合等。这里重点总结一下VGG,本文是牛津大学 visual geometry group(V转载 2016-10-20 11:13:57 · 451 阅读 · 0 评论 -
[论文阅读]R-FCN: Object Detection via Region-based Fully Convolutional Networks
arxiv上的一篇新论文,出自MSRA,目前还没有发表,今天刚读完,文章的缺点还要想一想,有空更新。原文链接:点击打开链接本文是基于region based framework的一种新的detection方法,主要目的是通过移除最后的fc层进行加速。同时通过本篇论文,很好的将RCNN,fast rcnn进行了一个general的总结。本文目前是Pascal voc上面速度和pe翻译 2016-10-20 16:06:33 · 559 阅读 · 0 评论 -
“看懂”卷积神经网(Visualizing and Understanding Convolutional Networks)(转载)
在所有深度网络中,卷积神经网和图像处理最为密切相关,卷积网在很多图片分类竞赛中都取得了很好的效果,但卷积网调参过程很不直观,很多时候都是碰运气。为此,卷积网发明者Yann LeCun的得意门生Matthew Zeiler在2013年专门写了一篇论文,阐述了如何用反卷积网络可视化整个卷积网络,并进行分析和调优。由于课题研究需要使用卷积网,本人凭自己的理解将该文翻译成了中文,内容没有严格对齐原文,水平翻译 2017-07-29 09:40:23 · 723 阅读 · 0 评论