时序网络基础知识 时序网络基础知识RNN前向传播反向传播RNN缺点GRUGRU的前向传播相较于LSTMGRU的优势LSTMLSTM的前向传播LSTM如何解决梯度消失RNN前向传播ttt、t−1t-1t−1、t+1t+1t+1为时间序列，sts_tst表示样本在时间ttt处的的记忆，st=f(W∗st−1+U∗xt)s_t=f(W*s_{t-1} +U*x_t)st=f(W∗st−1+U∗xt)，WWW表示上一个时间记忆的输入权重, U表示此刻输入样本的权重, V表示输出的样本权重。在t=1t =1t=1时刻
提升目标检测模型性能的tricks 提升目标检测模型性能的tricksbag of freebiespixel-wise调整几何畸变光照变化遮挡Random EraseCutOutHide-and-SeekGrid Mask正则DropoutDropConnectDropBlock用多张图来进行增强MixupCutMixMosaic数据增强GAN——Style Transfer GAN数据分布不平衡两阶段Hard Negative Example MiningOnline Hard Example Mining单阶段——Focal losso
M2Det M2DetM2DetM2Det的模型结构MLFPNFFMTUMSFAMM2DetM2Det最大的创新的提出了MLFPN。M2Det的模型结构M2Det使用主干网络+MLFPN来提取图像特征，然后采用类似SSD的方式预测密集的包围框和类别得分，通过NMS得到最后的检测结果。MLFPN如上图所示，MLFPN主要有3个模块组成：1）特征融合模块FFM。2）细化U型模块TUM。3）尺度特征聚合模块SFAM。首先， FFMv1对主干网络提取到的浅层和深层特征进行融合，得到base feature
目标检测SSD 目标检测SSDSSD的模型结构Extra Feature layers探测框Training匹配策略LossTestSSD的模型结构SSD采用多个卷积层的输出来做分类和位置回归。SSD采用VGG16作为backbone，然后从Conv4_3层开始输出feature map。在shape比较小的feature map用于检测大的物体，较大的检测小物体(feature map的size越来越小，感受野越来越大，只有大的物体才容易保留信息，小物体的信息会逐渐丢失，所以在feature map shape教
MaskR-CNN MaskR-CNNMask R-CNN的模型结构FPNRoIAlignFCN(mask)层FCN的结构Mask LossMask R-CNN的模型结构Mask R-CNN是在Faster R-CNN的基础上添加了一个预测分割mask的分支，如上图所示。其中黑色部分为原来的Faster-RCNN，红色部分为在Faster-RCNN网络上的修改。将RoI Pooling层替换成了RoIAlign层；添加了并列的FCN层(mask层)。此外，Mask R-CNN还引入FPN(图像金字塔结构)。FPNF
深度学习CV八股文 深度学习CV八股文一、深度学习中解决过拟合方法L1和L2正则化DropoutDropout正则化Inverted Dropout（反向随机失活）Dropout起到正则化效果的原因：Dropout的缺点eargstopping ( 早停法 )二、深度学习中解决欠拟合方法三、梯度消失和梯度爆炸解决梯度消失的方法解决梯度爆炸的方法四、神经网络权重初始化方法Xavier指数加权移动平均数五、梯度下降法梯度下降SGD(随机梯度下降法)Momentum(动量梯度下降)Nesterov Momentum自适应学习率算法A
细讲：RCNN、Fast R-CNN和Faster R-CNN 细讲：RCNN、Fast R-CNN和Faster R-CNNR-CNNR-CNN模型结构one-stage ：Region ProposalSelective searchtwo-stage ：Classification and bounding box regressionClassificationbounding box regressionLossFast R-CNNFast R-CNN模型结构RoI featureSVDClassificationbox regressionLossFast
行为识别模型R(2+1)D的模型结构 行为识别模型R( 2+1)D的模型结构R(2+1)D代码链接R(2+1)D模型结构SpatioTemporalConv结构SpatioTemporalResLayer结构SpatioTemporalResBlock结构R(2+1)D代码链接链接: https://github.com/jfzhang95/pytorch-video-recognition.建议对照代码看R(2+1)D模型结构R(2+1)D模型结构图Created with Raphaël 2.2.0inputs:(N,3,16,
Yolov3详解 Yolov3详解1.模型结构模型图：Darknet-53结构图：Yolo_v3卷积模型结构：2.Yolo_v3损失函数3.IoU算法IoU算法计算的是bounding box和ground truth box的交集和并集之间的比值，如图所示：bounding box与ground truth box之间按照相对位置可能出现的情况有（包含、左下、左上、右上、右下、互不相交）6种，如图1所示；通过分析图1可得：计算两个框的交集可视为计算两个集合交集，因此可以将两个框的交集
Ubuntu18.0.4+2080Ti+CUDA9.0+TesorFlow1.10.0+Keras2.1.6 Ubuntu18.0.4+2080Ti+CUDA9.0+TesorFlow1.10.0+Keras2.1.6一.Ubuntu18.0.4二.2080Ti显卡驱动三.CUDA9.0与cudnn7.4安装1）CUDA9.0安装2）cudnn7.4安装四.TesorFlow-gpu1.10.0和Keras2.1.6安装1)安装Miniconda32)创建TesorFlow-gpu环境测试3)安装 Ker...
关注
