- 博客(24)
- 收藏
- 关注
RSS订阅原创 PointNet、PointNet++系列解读
PointNet、PointNet++系列解读论文地址：PointNetPointNet++PointNet 解读经典的卷积神经网络需要一个规律的输入格式，但是点云或者meshes都不是一个规律的格式（点云只是一系列点坐标值的无序集合），很多研究者将点云转化为体素网格（3D voxel grids）或者多视图（如MVCNN）的2D图像送入深度网络中，这种数据形式的转化增加了不必要的数据量，同时还引入了量化伪像，掩盖了数据的自然不变性。PointNet则直接将点云作为输入，并输出整个输入的类标签或
2020-12-17 16:45:50
1157
原创 3D点云形状分类简介
3D点云形状分类简介3D形状分类主要有三种方法：基于多视图的（multi-view），基于体积的（volumetric-based），基于点的（point-based）。基于多视图的方法将非结构化的点云投影为2D图像，而基于体积的方法将点云转换为3D体积表示。然后利用2D或3D卷积网络来实现形状分类。相反，基于点的方法直接在原点云图像上运行，不会造成信息丢失，正在逐渐成为主流。基于多视图的点云分类算法基于多视图的方法首先将3D形状投影到多个视图中，然后提取视图的特征，融合这些特征以进行准确的形状分类
2020-12-17 16:44:38
5967
2
原创 3D点云数据集汇总
3D点云数据集汇总分类数据集：合成：Z. Wu, S. Song, A. Khosla, F. Yu, L. Zhang, X. Tang, and J. Xiao, “3D shapeNets: A deep representation for volumetric shapes,” in CVPR, 2015.A. X. Chang, T. Funkhouser, L. Guibas, P. Hanrahan, Q. Huang, Z. Li, S. Savarese, M. Savva,
2020-10-26 21:55:07
2632
1
原创 Gated-SCNN 语义分割解读
Gated-SCNN解读Gated-SCNN是ICCV2019的文章，以往的语义分割最新方法在单个神经网络中处理 包括颜色、形状、纹理特征的密集特征表示，然而这种方法可能并不理想，因为他们包含了与识别相关的不同信息，所以本文提出了一种双流CNN结构，将形状信息放在另外一个分支中单独处理，即形状流，与经典流并行处理。这种构架的关键在于连接两种流中间的gates，使用经典流中高级别的激活来控制形状...
2020-02-12 16:48:51
4081
8
原创 ANN:Asymmetric Non-local Neural Networks for Semantic Segmentation 文章解读
《Asymmetric Non-local Neural Networks for Semantic Segmentation 》文章解读文中提出了两个模块Asymmetric Pyramid Non-local Block (APNB) 和Asymmetric Fusion Non-local Block (AFNB)。APNB将金字塔采样利用到non-local块中，在不牺牲性能的情况下大大...
2020-02-04 21:13:32
4329
2
原创 MobileNet系列之 MobileNet V2解读
MobileNet系列之 MobileNet V2解读《MobileNetV2: Inverted Residuals and Linear Bottlenecks》MobileNetV1利用深度可分离卷积在速度和精度之间做出了良好的折中，同时探讨了从各个方面缩减模型带来的影响，而MobileNetV2在V1的基础上，引入了ResNet提出的残差连接以及BottleNeck模块。Linear...
2020-01-31 00:36:06
1007
原创 语义分割入门系列之 U-Net
U-Net论文解读及代码解读U-Net: Convolutional Networks for Biomedical Image Segmentation
2020-01-07 20:49:12
521
原创 语义分割入门系列之 FCN（全卷积神经网络）
FCN论文解读及代码分析Fully Convolutional Networks for Semantic SegmentationFCN是卷积神经网络用于语义分割的开山之作，文章的出发点在于如何将普通的分类卷积神经网络用于语义分割网络。卷积神经网络在分类任务上取得了重大突破，因为随着卷积网络的层数加深，网络从图像中提取出越来越抽象的语义信息特征图的通道数越来越多，并且为了控制计算量，特征图的...
2020-01-06 20:45:37
2849
1
原创 DeepLabV3论文解读（空洞卷积/膨胀卷积 理解）
DeepLabV3论文解读（空洞卷积/膨胀卷积 理解）最近在做基础网络研究，设计的网络结构除了在分类数据集上测试，还需要在分割和检测网络上测试效果，故选择了DeepLabV3作为对比平台。本想直接替换backbone查看结果，但不如借此机会把DeepLabV3好好研究清楚，顺带把分割领域的经典论文研究一遍，于是有了这篇博客~FCN、SegNet、U-Net、CRFDeepLabV3结构解读...
2019-11-03 13:31:09
9763
3
转载 tmux安装过程
tmux终端复用安装教程（非root用户）如果不是服务器管理员的话，需要从源码安装，首先下载安装包：执行命令：wget https://github.com/tmux/tmux/releases/download/2.2/tmux-2.2.tar.gzwget https://github.com/libevent/libevent/releases/download/release-2....
2019-07-24 19:07:18
6375
原创 CS231n学习笔记——SGD、AdaGrad、RMSProp、Adam
CS231n学习笔记——更好的优化算法SGD的缺点：优化的轨迹会如图所示，因为很多函数的梯度方向并不是直接朝向最小值的，所以沿着梯度前进的时候可能会来回反复。这个问题在高维空间中更加普遍，而且SGD很容易陷入局部最小值而且在mini batch训练中，每次都取出一小部分数据学习梯度，导致学习到的梯度与正真的梯度有些偏差，特别是在存在噪声的数据中，这样的SGD可能需要更多时间去找到最小值点...
2019-03-22 15:29:46
397
原创 CS231n学习笔记——批量归一化（Batch Normalization）、监视训练
CS231n学习笔记——批量归一化（Batch Normalization）想要保持单位高斯激活，那么就需要做批量归一化，即在神经网络中额外加入一层，以使得中间的激活值均值为0方差为1。如果我们想要正确的激活单位高斯函数，我们可以取目前处理的批数据的均值，利用均值和方差来进行归一化，如果我们要在训练的每一层都保持良好的高斯分布，就需要进行批量归一化。而且需要它能够微分，这样才能在梯度反向传播...
2019-03-22 15:29:09
1089
原创 CS2321n学习笔记——激活函数、数据预处理、权重初始化
CS2321n学习笔记——激活函数接下来要学的东西：训练神经网络刚开始如何建立神经网络选择什么样的激活函数怎样做数据预处理权重初始化、正则化，梯度检查如何监控训练过程如何选择参数的更新规则超参数优化模型评估，模型合成sigmoid函数sigmoid函数曾经一度非常流行，但是它有三个严重缺点1.饱和神经元将使梯度消失当x=-10时，接近负饱和区，它的导数非常接近0，所以...
2019-03-15 12:05:31
716
原创 CS2321n学习笔记——卷积和池化
CS2321n学习笔记——卷积和池化卷积层和普通的全连接层面的最大差别就是，它可以保全空间结构用之前提到的例子继续说明，假如输入的图片尺寸是32x32x3的，这里使用一个5x5x3的卷积核来进行运算，具体步骤是这个卷积核在这个图片结构上滑动，可以理解为5x5的滤波器在32x32的矩阵上滑动一样（在这副图上可以理解成蓝色的方体在粉色的方体内部游走滑动），后面的x3是RGB三个通道层，是数据的深...
2019-03-12 17:11:56
553
原创 CS231n学习笔记——介绍神经网络、卷积神经网络
CS231n学习笔记——介绍神经网络、卷积神经网络————————————————————————————————————————————神经网络之前提到的线性分类器训练的重点在权重W上，但是只要将W和非线性函数（例如图中的max函数）组合并连接在一起，就组成了非线性的分类器——神经网络。这些接在矩阵相乘操作之后的非线性函数叫做激活函数，以下是几种常见的激活函数：每种不同的激活函数都有...
2019-03-12 17:10:05
676
原创 CS231n学习笔记——反向传播
CS231n学习笔记——介绍神经网络、反向传播计算图计算图就是用来 表示任意函数的图，图中的节点表示要执行的每一步计算，图中R（W）是正则项。一旦能用计算图来表示一个函数，那么就能使用所谓的反向传播技术递归地调用链式法则来计算计算图中每个变量的梯度。可见，反向传播就是沿着计算图从输出端开始，对总结果的loss一路求导或者求偏导回到输入的变量，这样求出来的数值组合在一起就是这一次的梯度...
2019-03-11 16:21:09
580
原创 CS231n学习笔记——优化、梯度
CS231n学习笔记——优化、梯度多元情况下生成的导数叫做梯度，所以梯度是偏导数组成的向量，有和x一样的形状。梯度中的每个元素表示每个相关方向上函数的斜率。计算梯度的方法——有限差分在参数W的每一项做一点微小的改变（0.0001），观察loss的变化情况，然后计算出针对这一项的偏导数。以此类推直到算出整个梯度。但是在神经元数量很大时，这种数值导数的梯度计算方法非常慢，所以在应用中优先使用解...
2019-03-11 12:28:40
603
原创 CS231n学习笔记——损失函数
CS231n笔记——损失函数从上一节的线性分类器角度出发，设定一个函数，以分类器的权重W作为输入，定量评估W的好坏，即为损失函数。然后找到一种可行方式，在W的可行域里找到一个最合适的W，使损失函数最小——优化问题多分类器SVM损失函数s是分类器的预测分数，yi是这个样本正确分类的标签。图中式子Sj-Syi+1意思是其他标签的分数减去正确标签的分数值加1，然后在这个值和0之间取最大值，作为l...
2019-03-09 13:24:08
520
原创 CS231n学习笔记——线性分类器
CS231n学习笔记——线性分类器CS231n课程使用的是CIFAR-10数据集，其中有60000张32x32的彩色图像，平均分为10个类，其中50000张为训练集，10000张为测试集。线性分类器（linear classifier）将处理输入的每一张图片（32x32x3=3072个值），把它展开成一个3072x1项的行向量x，所训练的线性分类器的作用就是训练出一个10x3072的矩阵W，使...
2019-03-08 21:10:15
403
原创 基于FPGA的手柄遥控排爆机器人
FPGA开发之 游戏手柄遥控排爆机器人使用对象：PS2游戏手柄，L298N电机驱动模块，履带底盘，6自由度机械臂使用环境：ISE14.7和BASYS2开发板1.排爆机器人展示 整体原理简介 该排爆机器人硬件部分为一个履带底盘和一个6自由度的机械臂，通过PS2游戏手柄遥控，fpga开发板接收遥控信号并控制机器人的运动，输出6路PWM波控制6自由度机械臂，还有2路pwm波控制底盘电机。2.Ve
2017-12-26 16:19:47
2306
3
原创 FPGA 解析PS2游戏手柄
FPGA开发之解析SONY-PS2手柄SPI协议在嵌入式开发过程中，常用到的通讯方式之一就是SPI协议，SPI(Serial Peripheral Interface–串行外设接口)总线系统是一种同步串行外设接口，通常通过四根线即可实现通讯。使用对象：PS2游戏手柄使用环境：ISE14.7和BASYS2开发板
2017-12-26 15:53:57
17602
原创 FPGA开发板之如何把程序烧录到PROM里
FPGA开发板之如何把程序烧录到PROM里由于FPGA掉电擦除的特性，在使用常规方式通过USB线给开发板烧录程序后，开发板不能断电，且每次使用都需要重新烧录，使用十分不便。为解决这个问题，可将程序烧入开发板上的PROM芯片，从而解决掉电擦除的问题，使开发板上电运行保存在PROM中的程序。使用环境：ISE14.7和BASYS2开发板
2017-12-25 22:08:17
24050
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