【深度学习模型8】R-CNN，挖坑我自己挑……

已于 2022-10-30 16:37:21 修改
阅读量207 收藏
点赞数
分类专栏： 深度学习 文章标签： cnn 深度学习 人工智能 神经网络
于 2022-10-30 16:36:05 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43594181/article/details/127601260
版权

接触R-CNN和上一篇笔记中的GRU，都是因为看了 VQA Challenge 2017 TOP1 那篇文章。

好奇害死猫。

——本来想简单了解一下啥是R-CNN（我一开始还以为是将RNN和CNN结合😅），一搜才发现这似乎是个巨坑：里面涉及到了更多我没接触过的术语（再次证明我的理论课确实只是“刷了一遍”而已）。

这个坑容我慢慢填……

【sources】

1. R-CNN详解

成长版小贺
关注
专栏目录
利用先验知识来约束和引导图像重建过程
qq_41332469的博客
08-18 2447
一、低秩约束的图像非盲去模糊 论文题目：Deep Non-Blind Deconvolution via Generalized Low-Rank Approximation 1、退化过程 非盲去模糊为模糊核已知。退化过程可以表示为： 其中x表示target，k表示模糊核，y为退化的模糊图像。 转到频域可以表示为： 2、非盲去模糊 去模糊的过程，实际是在求模糊核k的伪逆矩阵k*。 如图所示，当模糊核为15x15时，伪逆矩阵为150x150，甚至更大，这样会导致计算量非常的大。对于这个大矩阵，利用SV
fp32和int8模型的区别_Int8量化-ncnn社区Int8重构之路（三）
weixin_39825854的博客
12-20 690
传送门ncnn​github.comBUG1989/caffe-int8-convert-tools​github.com前言从去年8月初首次向社区提交armv7a版本的int8功能模块到现在过去半年了，中途经过N次迭代。原本以为提交后就可以去别处摸鱼打望，谁知已掉进不断自己挖坑填坑的过程。中间多次尝试放弃，社区维护比想象的困难大得多：速度上不去，精度掉得多，armv7-a位速度OK，arm64-...
文献17.DL、PHY、自编码器、RTN、CNN调制分类
lilu_959的博客
10-12 2054
1.谈到，以往ML在通信中应用的文献中，基本都只关注单个接收机处理任务，对于发射机的考虑，或者整个端到端系统的考虑完全缺失。2.有两类不同方法将DL应用通信中，①利用DL改进现有算法，比如让其中迭代的部分换成NN;②用DL完全取代现有算法，如盲检测，功率控制，调制识别，信号压缩，信道解码等。没有通用的基准测试和开放的数据集实现了不用任何先验知识，用自动编码器联合学习收发机和信号编码，实现了端到端的传输。
深度学习笔记一：FCN讲解（转载）
GG1502012的博客
03-13 2203
 大多数人接触"语义"都是在和文字相关的领域，或语音识别，期望机器能够识别你发出去的消息或简短的语音，然后给予你适当的反馈和回复。嗯，看到这里你应该已经猜到了，图像领域也是存在"语...
深度学习和浅层学习 Deep Learning and Shallow Learning
GarfieldEr007的专栏
01-08 5100
由于 Deep Learning 现在如火如荼的势头，在各种领域逐渐占据 state-of-the-art 的地位，上个学期在一门课的 project 中见识过了 deep learning 的效果，最近在做一个东西的时候模型上遇到一点瓶颈于是终于决定也来了解一下这个魔幻的领域。 据说 Deep Learning 的 break through 大概可以从 Hinton 在 2006 年提出
总结了200道经典的机器学习面试题（附参考答案）
small-guo
07-01 7485
刷题，是面试前的必备环节。本文总结了往年BAT机器学习面试题，干货满满，值得收藏。想要入职大厂可谓是千军万马过独木桥。为了通过层层考验，刷题肯定是必不可少的。本文根据网络在线发布的BAT机器学习面试1000题系列，整理了一份面试刷题宝典。1.请简要介绍下SVM。SVM，全称是support vector machine，中文名叫支持向量机。SVM是一个面向数据的分类算法，它的目标是为确定一个分类超平面，从而将不同的数据分隔开。扩展：支持向量机学习方法包括构建由简至繁的模型：线性可分支持向量机、线性支持向量机
目标检测风云（一）two-stage之 RCNN
北川大大的博客
02-22 1067
我先暴风哭泣一下，编辑了6个多小时，没有保存的我卷土重来了，大家使用markdown的时候记得及时保存 最近在看decetion的问题，整理了一下近些天来读的paper~ RCNN 问题 如何利用深度的神经网络去做目标的定位？ 如何在一个小规模的数据集上训练能力强劲的网络模型？ 解决 利用候选区域与 CNN 结合做目标定位 借鉴了滑动窗口思想，R-CNN 采用对区域进行识别的方案。 具体是...
深度学习基础知识整理
木瓜子的博客
07-20 4919
本文是在七月的BAT机器学习面试1000题系列进行修改。  前言     July我又回来了。     之前本博客整理过数千道微软等公司的面试题，侧重数据结构、算法、海量数据处理，详见：微软面试100题系列，今17年，近期和团队整理BAT机器学习面试1000题系列，侧重机器学习、深度学习。我们将通过这个系列索...
总结了 200 道 BAT 机器学习面试题，值得收藏 (附参考答案)
Python数据挖掘
12-06 1586
刷题，是面试前的必备环节。本文作者总结了往年BAT机器学习面试题，干货满满，值得收藏。想要入职大厂可谓是千军万马过独木桥。为了通过层层考验，刷题肯定是必不可少的。本文作者根据网络在线发布的BAT机器学习面试1000题系列，整理了一份面试刷题宝典。1.请简要介绍下SVM。SVM，全称是support vector machine，中文名叫
20fall香港科技大学数据驱动建模硕士从申请到面试到offer
热门推荐
WencyWU的博客
05-07 1万+
20fall香港科技大学数据驱动建模硕士从申请到面试到offer ** 第一篇博客，一时兴起和小姐妹一起写了面经，她主要是香港中文大学（深圳）数据科学项目的笔试面试分享，详情请click----北京奈良客： 链接: link. 项目简介（用自己的话） 这个项目是香港科技大学理学院（物理系）与工学院合办，2019年第一届学生入学，每年大概招生50-60人。课程涉及数学、统计机器学习、计算机仿真、建模...
2023届秋招图像算法岗面经记录（TPlink（普联）、潮州三环、中电十所、科大讯飞、旷视、超参数、虹软、大华、速腾聚创、中兴、哲库、字节、OPPO、百度、之江实验室、蚂蚁、Intel、小米）
轻舟的万重重山
08-15 8160
问得很细，期间发散的问我深度学习的相关知识，包括：轻量型模型有哪些？，BN层原理，一个B,C,H,W的特征在BN层参数，BN的均值方差测试时怎么算。我的反思：还是对自己简历做的东西不是很熟悉，NAFnet都是旷视出来的，都没有好好研究说清楚，基础网络要烂熟于心，最新的transformer等也要把经典的了解清楚。以及最后的做题环节，还是题做少了，好好准备。没做过这道题卡着了，也没在意说要在空间复杂度最小的情况下实现。反问环节: 旷视成都的业务主要是手机画质相关，包括去噪，超分，图像对齐，HDR等；.....
TPU原理技术与xPU
吴建明wujianming_110117
06-01 2250
TPU原理技术与xPU
GRU(门控循环单元)的原理与代码实现
Hiweir的博客
09-16 425
GRU(门控循环单元)的原理与代码实现
机器学习与深度学习的区别
警警的博客
09-14 1700
机器学习与深度学习
【图像去噪】论文精读：Enhanced CNN for image denoising（ECNDNet）
畅游计算机视觉的海洋
09-14 405
论文题目：Enhanced CNN for image denoising —— 用于图像去噪的增强CNN由于深度卷积神经网络 (CNN) 的灵活架构已成功用于图像去噪。然而，它们存在以下缺点：（i）深度网络架构很难训练。(ii)更深的网络面临性能饱和的挑战。在这项研究中，作者提出了一种称为增强卷积神经网络 (ECNDNet) 的新方法。具体来说，他们使用残差学习和批量归一化技术来解决训练困难的问题，加快网络的收敛性。此外，在所提出的网络中使用扩张卷积来扩大上下文信息并降低计算成本。
主流卷积神经网络CNN总结
最新发布
m0_63294504的博客
09-20 398
引入通道注意力机制，可以在众多的输入信息中聚焦于对当前任务更为关键的信息，降低对其他信息的关注度，甚至过滤掉无关信息，并提高任务处理的效率和准确性。，将原ResNet网络中的block替换成由group分组的block，两者得到的feature map一致，只是参数量更少了。这样，SE-Net就能够根据输入数据的特性自适应地调整不同通道的特征响应，使得网络更加关注那些对任务更有帮助的通道。最后，通过乘法操作将学习到的权重应用于输入特征图，以增强有用的特征并抑制无用的特征。
基于深度学习的因果推理与决策
weixin_42605076的博客
09-17 1151
是一个将因果推理理论与深度学习技术结合，旨在从数据中学习因果关系并基于此做出最优决策的领域。因果推理不仅关注变量之间的相关性，还侧重于发现变量之间的因果关系，而这些因果关系是决策系统做出有效决策的关键。
深度学习计算
weixin_74152658的博客
09-17 792
这里，module是Module子类的一个实例。我们把它保存在'Module'类的成员。# 这样，在类实例化时也可以指定其他函数参数，例如模型参数params（稍后将介绍）# 注意，这里我们使用ReLU的函数版本，其在nn.functional模块中定义。# 不计算梯度的随机权重参数。# 用模型参数声明层。这里，我们声明两个全连接的层。为了更强的灵活性，我们想将自己定义的块加入模型中。块可以描述单个层、多个层组成的组件或整个模型。通过定义块，组装块，可以实现复杂的神经网络。# 定义模型的前向传播，
深度学习目标检测：R-CNN家族的演进解析
"本文主要介绍了深度学习在目标检测领域的演进过程，特别是R-CNN系列的方法，包括R-CNN、SppNET、Fast R-CNN和Faster R-CNN。文章探讨了目标检测的核心问题，即如何在图像中精确识别并定位物体，以及解决这一问题的...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值