![](https://img-blog.csdnimg.cn/20201014180756930.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
日常学习
FXY.jpg
这个作者很懒,什么都没留下…
展开
-
Wasserstain metric
具象成最有运输距离推出,从离散概率到连续概率。使用概率测率表示具体数值的占比原创 2019-01-28 16:47:56 · 283 阅读 · 0 评论 -
交叉熵
交叉熵原创 2019-01-22 10:26:14 · 982 阅读 · 0 评论 -
初遇GAN
论文地址:Generator Adversarial Network GAN(Generative Adversarial Network)是由两部分组成,一个是生成器(Generator),一个是判别器(Discriminator)两者处于一种博弈的状态。 生成器的作用是用来生成图片,判别器的作用是用来对输入的图片进行判断是Generator生成的图片还是数据集中真实的图片。 一、训练目标 注...原创 2019-01-21 22:52:46 · 183 阅读 · 0 评论 -
ssd总结
这两天研究了一下SSD的论文思路,在此做下总结: 首先,SSD是一种one-stage的目标检测算法,解决了yolo在多尺度物体检测以及每个grid只能检测一个物体的弊端,并且具有one-stage类型算法的优势,一步到位检测出位置与类别,速度方面比faster-rcnn要快很多,物体定位相关思路也与faster-rcnn的锚的思想类似。 一、网络结构 ssd的采用VGG16作为基础的网络结构(前...原创 2018-11-14 17:12:00 · 222 阅读 · 0 评论 -
yolo思想总结
一、总览 YOLO 把物体检测任务作为一个回归任务,一个回归任务应该有输入,输出,损失函数三要素。 1.输入:448×448的图片 2.输出:Bbox的位置坐标,confidence,以及class类别 3.损失函数:Loss(位置)+Loss(分类)+Loss(IOU) 二、细节 1.网络细节(如图) 24conv+2fcl 2.train 图片划分为S×S个grid,每个grid检测出B个B...原创 2018-11-13 11:13:06 · 1155 阅读 · 0 评论 -
何为end to end
我的理解(经过图像方面的学习)是这样:end to end:一个神经网络的输入 端是数据,输出端就是输出的结果 非端到端:在进行网络的输入时先提取特征,再输入网络,即为输入的不是原始的数据,也可以理解为不是不是通过一步直接出结果 ...原创 2020-02-01 11:33:29 · 289 阅读 · 0 评论 -
编译型语言、解释型语言、动态语言、静态语言、动态类型语言、静态类型语言、强类型语言、弱类型语言
参考网上的一些资料外加自己的理解整理出的有关几种概念的区分。 首先看张图: 一、编译型语言,解释型语言,混合型语言 1、编译型语言 程序源码通过编译器生成机器码,接着通过链接将机器码与依赖库链接起来生成可执行程序。 优点 : 源码只需要通过一次编译生成可执行程序,后续的运行只需要通过可执行程序即可,程序运行效率较高。 缺点 由于源码在进行编译的过程中,生成机器码根据操作系统的不同会不一样,所以编...原创 2020-01-16 19:56:41 · 184 阅读 · 0 评论