![](https://img-blog.csdnimg.cn/b22c877dd0e64d419fe86318dbf9ecfd.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
深度学习论文研读
文章平均质量分 88
记录深度学习相关的论文研读笔记
NewSuNess
积极,努力
展开
-
Towards Open Set Deep Networks:开放世界的目标检测
但是在现实世界中,大多数检测任务都是开放的,在动态和不断变化的现实世界中部署识别系统时,绝大多数的识别系统是为静态封闭世界设计的,其中主要的假设是所有类别都是已知的。主要的问题出在了softmax层上,在大多数网络中,最后一层全连接层的输出被输入到softmax层中,从而在N个已知类别中产生一个概率分布,这就造成了在给定一个未知类作为输入时,网络总会找到一个最有可能的已知类。同时,将元学习的概念加入深度网络中,使用网络倒数第二层(Softmax层前面的全连接层)的分数来评估当前的输入是否远离已知类别。原创 2022-10-02 20:44:36 · 2142 阅读 · 1 评论 -
Fast-R-CNN论文解读
Fast-r-cnn是Ross在2015年发表的一篇论文,其网络全称为: Fast Region-based Convolutional Network method–用于目标检测的基于区域的快速卷积网络算法。在于先前的网络R-CNN对比之下,其训练速度要快9倍,检测时间快出来213倍(R-CNN的检测时间GPU工作下为47s一张图片),同时在检测精度上也作了进一步的提升。一、任务简介在介绍中,作者提出目标检测任务相比分类来说更为复杂和困难,首先计算机要处理众多的候选目标区域(也就是proposal原创 2022-02-20 17:42:48 · 3746 阅读 · 1 评论 -
目标检测网络R-CNN系列与yolov1算法原理概述
一、R-CNN算法简介R-CNN算法流程1、将一张图像生成1k-2k个候选区域(使用ss算法)2、对于每个候选区域,使用深度网络来提取特征3、将特征送入每一类的SVM分类器,判别是否属于该类。(有多少类别就有多少个SVM分类器)4、使用回归器精细修正候选框位置R-CNN算法缺陷1、测试速度慢2、训练速度慢,过程繁琐3、训练所需的空间很大FAST-R-CNN算法流程与R-CNN相比,训练时间快九倍,测试推理时间快213倍,准确率提升至66%1、将一张图像生成1k-2k个候选区域(使用原创 2022-02-19 16:37:55 · 1472 阅读 · 1 评论