- 博客(6)
- 资源 (1)
- 收藏
- 关注
RSS订阅转载 CNN结构：用于检测的CNN结构进化-结合式方法
类别失衡是影响 one-stage 检测器准确度的主要原因。那么，如果能将“类别失衡”这个因素解决掉，one-stage 不就能达到比较高的识别精度了吗？何凯明团队采用 Focal Loss 函数 来消除这个主要障碍。该团队设计并训练了一个简单的密集目标检测器—RetinaNet，是由一个骨干网络和两个特定任务子网组成的单一网络，骨干网络负责在整个输入图像上计算卷积特征图，并且是一个现成的卷积网络。 第一个子网在骨干网络的输出上执行卷积对象分类；第二个子网执行卷积边界框回归。
2017-08-21 22:25:40
4580
原创 ES：AI 注释
为AI做注解： AI已经出第三版，大的框架没有改变，DNN也没有引入AI这本书。 在一个算法工程师 和一个硬件工程师之间，把 不鲁棒 与不稳定 两个 形容词 联系起来，这就是转换思维的必要性。科普的本质是 用一种语法 来解释另一种语法，并保持语义不变。
2017-08-19 23:41:22
722
原创 ES : 软件工程学的复杂度理论及物理学解释
系统论里面总是有一些通用的专业术语 比如复杂度、熵、焓，复杂度专门独立出来，成为复杂度理论 文章摘抄于：《非线性动力学》 刘秉政 编著 5.5 复杂性及其测度 热力学的几个专业术语 熵、焓、自由能、吉布斯自由能、复杂度 熵：体系混乱度（或无序度）的量度。S表示熵。也表示黑洞中不可用热量与其温度的比值。对于化学反...
2017-08-19 23:22:47
1136
原创 三维重建13：点云的局部特征总结
三维场景中物体检测也可以使用特征点方法+词包方法的通用框架。其中BOW方法是无差别的，特征点方法与二维图像不同的是点云的数据格式问题，一般表示为对点云曲面进行特征提取。可以使用基于八叉树的方法进行特征点提取，也可以使用深度Map图的方法或有序点云方法进行特征点提取。 注意事项：若使用有序点云方法，希望注意点云的连贯性，在断开的地方可以使用特殊的特征计算方法，避开深度断开位置
2017-08-19 23:20:38
4961
转载 CNN结构：用于检测的CNN结构进化-一站式方法
人眼能够快速的检测和识别视野内的物体，基于Maar的视觉理论，视觉先识别出局部显著性的区块比如边缘和角点，然后综合这些信息完成整体描述，人眼逆向工程最相像的是DPM模型。 YOLO的特别之处，在于把检测问题表示为一个分类问题，而不是以往的寻找绑定框/包围盒+分类的问题。使用一个网络实现检测的功能，成为一个端到端的图像检测系统。
2017-08-19 23:02:08
2095
2
转载 CNN结构：用于检测的CNN结构进化-分离式方法
基于CNN的目标检测框架主要有两种：一种是 one-stage ，例如 YOLO、SSD 等，这一类方法速度很快，但识别精度没有 two-stage 的高，其中一个很重要的原因是，利用一个分类器很难既把负样本抑制掉，又把目标分类好。 另外一种目标检测框架是 two-stage ，以 Faster RCNN 为代表，这一类方法识别准确度和定位精度都很高，但存在着计算效率低，资源占用大的问题。
2017-08-15 10:27:38
2049
使用FLANN.LSH进行检索
2014-04-01
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人