- 博客(11)
- 收藏
- 关注
RSS订阅原创 【目标检测】Faster RCNN理论合集
1. R-CNN简介2014年之前都是使用传统方法进行目标检测，准确率仅30%左右，R-CNN出现后提升了30%的准确率。2.RCNN算法步骤1.候选区域的生成2.对每个候选区域， 使用深度网络提取特征3.特征送入每一类的SVM分类器， 判定类别...
2020-10-16 00:00:17
1246
原创 【目标检测】目标检测概述
1.目标检测简介1.1 one-stage和two-stage1.2 two-stage1.3 one-stage1.4one-stage和two-stage对比2.目标检测课程计划
2020-10-15 23:07:58
237
原创 【PyTorch】8.1 图像分类一瞥
1.模型是如何进行图像分类的？图像分类的推理步骤：代码：import osimport timeimport torch.nn as nnimport torchimport torchvision.transforms as transformsfrom PIL import Imagefrom matplotlib import pyplot as pltimport torchvision.models as modelsBASE_DIR = os.pat..
2020-10-15 00:16:10
318
1
原创 【图像分类】ResNet网络结构
1.ResNet简介梯度消失与梯度爆炸问题如何解决梯度消失和梯度爆炸？1.数据标准化2.权重初始化3.BN使用残差模块解决退化问题。残差模块五种ResNet网络结构34层ResNet结构分析...
2020-10-13 23:16:21
968
原创 【PyTorch】4.1 权值初始化
任务简介：学习权值初始化的原理；详细说明：本节学习权值初始化的必要性，首先分析神经网络中权值的方差过大导致梯度爆炸的原因，然后从方差一致性原则出发分析Xavier初始化方法与Kaiming初始化方法的由来，最后介绍pytorch提供的十种初始化方法。1.梯度消失与爆炸代码：import osBASE_DIR = os.path.dirname(os.path.abspath(__file__))import torchimport randomimport numpy a.
2020-10-11 21:56:59
753
原创 【PyTorch】3.4 nn网络层-池化、线性、激活函数层
任务简介：学习网络模型中采用的神经网络层，包括卷积层，池化层，全连接层和激活函数层，学会如何区分二维卷积和三维卷积；详细说明：本节学习池化层，全连接层和激活函数层，在池化层中有正常的最大值池化，均值池化，还有图像分割任务中常用的反池化——MaxUnpool，在激活函数中会学习Sigmoid,Tanh和Relu，以及Relu的各种变体，如LeakyReLU，PReLU， RReLU。一、池化层——Pooling Layer池化的作用：冗余信息剔除，减少后面的计算量。1.最大值池化.
2020-10-11 11:40:12
813
2
原创 【神经网络基础】3.循环神经网络
1.学习目标2.序列数据3.语言模型3.1语言模型概念举例3.2语言模型计算序列的概率4.RNN-循环神经网络
2020-10-07 15:07:10
738
3
原创 【神经网络基础】1.神经网络与多层感知机
1.前言1.1学习安排1.2学习推荐吴恩达深度学习课程：https://www.deeplearning.ai李宏毅深度学习课程：https://www.bilibili.com搜索李宏毅花书：https://github.com/exacity/deeplearningbook-chinese1.3本章学习目标2.人工神经元2.1人工神经元2.2人工神经网络2.3第一个人工神经网络2.4感知机致命缺点3.多层感知机3.1多层感知机的前向...
2020-10-06 21:47:21
299
原创 【OpenCV 图像基础】4.图像特征与目标检测
1.学习目标2.图像特征理解2.1图像特征2.2颜色特征2.3纹理特征2.4形状特征2.5空间关系特征3.形状特征描述3.1HOG特征提取
2020-10-03 17:54:58
649
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人