《深度学习与计算机视觉》
要看
页:28、30、37、51-53、66-70、
73-78、81、84、88-95、100、
104、113-115、120-121、125-126
125-138、
< 125页的计算还有通道,是我想要的东西。>
< 136页的1×1卷积,是我想要的东西。>
两个向量的点积结果是,对应位子相乘再相加。
卷积核步长越大,卷积结果的维度越小,这就达到了降采样的目的。
全连接层的非线性变换是激活函数,卷积层的也是。
L2规范化就是权重衰减,它用于wx+b的w里面。
L1规范化
待卷积项与卷积核做卷积之后,得到的结果叫做,特征响应图(feature map)。
卷积核的作用是,可以找到,图像中和自身纹理最相似的部分。
每一张图称为一个通道。
分步式就是多对多。
下图是1×1卷积的解释
关于Bound Box Regression算法,我看的是https://blog.csdn.net/ap1005834/article/details/77915794 和 https://blog.csdn.net/zijin0802034/article/details/77685438,后一篇是对前一篇中某些看不懂的地方的解释说明,其中关于“为什么当IoU>6时能将模型用线性回归来近似”讲的最好,用高数里面的等价无穷小来讲的。
epoch是 全数据集
什么是正样本,什么又是负样本?对于目标检测中我们会事先标记出ground truth,然后再在算法中会生成一系列proposal,这些proposal有跟标记的ground truth重合的也有没重合的,那么重合度(IOU)超过一定阈值(通常0.5)的则认定为是正样本,以下的则是负样本。
FP(false-positive,伪正)
冒号等于 是同步更新的意思