- 博客(22)
- 收藏
- 关注
RSS订阅原创 TensorFlow2.1数据导入中tf.dada相关API
TensorFlow2.1的数据导入方法有多种，官方教程推荐使用keras高级API，把数据下载，预处理和导入全部集成在一起，功能强大。tf2.1也提供了其它API来导入数据。tf.data.Dataset是其中一个，按批次导入数据，可以用下面这个APIdataset = tf.data.Dataset.from_tensor_slices(tensors)dataset = datas...
2020-04-11 11:01:05
331
原创 tensorflow2.x变量初始化
TensorFlow2.x和PyTorch已经很像了，可以直接输出Tensor的值，很直观。tf2.1其中一个特点是去掉了很多冗余API，tf1.x中，定义变量有两个函数，tf.Variable()和tf.get_variable()，在tf2.x的API中，只剩tf.Variable()了。tf.Variable( initial_value=None, trainable=N...
2020-04-10 16:18:49
5652
原创 CNN中感受野大小的计算
摘要：在分析CNN网络时，通常会考虑到网络的感受野，感受野是指特征图上一个像素点代表原图的多大区域像素点，一般网络感受野越大，提取到的特征就更高维，网络性能也越好。其实CNN中的池化层，或者说下采样层就是为了提高网络的感受野，提高网络的感受野的代价就是会丢弃部分信息。空洞卷积就是为了解决这个问题而提出的，此处不作介绍，想了解的可以看看DeepLab系列论文，本文主要介绍感受野如何计算。感受...
2019-07-06 12:24:03
1684
原创 CNN卷积输出尺寸计算
摘要：CNN在执行卷积时，因为卷积核的大小通常大于1，并且滑动步长也不一定为1，所以会导致卷积操作输出的特征图大小比输入特征图要小，如果想控制输出特征图的大小，在不改变卷积核尺寸及滑动步长的情况下，就需要在特征图的边界进行填充(padding)，在TensorFlow框架中，可以使用SAME（自动填充，使输出特征图尺寸和输入尺寸一样）和VALID（不做填充，会导致输出尺寸比输入要小）来处理pa...
2019-07-06 09:49:50
2909
原创 CNN中计算量和参数的计算方法
摘要：我们在设计一个CNN网络时，通常要考虑两个事情，一个是这个网络需要的计算量有多大，一个是这个模型的参数量有多少。前者决定了网络训练的快慢（硬件设备确定的情况），后者决定了计算设备需要多大的内存或显存。背景：本文CNN的计算量以计算机做乘加次数为单位，即完成某个操作，需要执行多少次乘法和加法操作。参数量以参数个数为单位，要计算内存或显存的，用参数量乘以每个参数所占的字节数即可。...
2019-07-05 17:51:12
12666
3
原创 Aggregated Residual Transformations for Deep Neural Networks论文笔记
摘要：这篇论文是ResNet的改进版，通常要增加网络的性能，是增加网络的参数，比如加深或加宽网络都可以，但是这么做会增加网络的复杂度。这篇论文，作者提出一个新感念‘cardinality’，指的是转换层的数量，叫做基数。并且证明了增加基数的大小也能有效提高网络的性能，并且比增加网络的宽度和深度更有效，并且并不会使网络更复杂。结构：增加网络的深度只是增加卷积层的堆叠数量加深网络一般来说，层数...
2019-07-04 22:39:45
298
原创 MultiNet Real-time Joint Semantic Reasoning for Autonomous Driving论文笔记
摘要：虽然大多数语义推理方法都侧重于提高性能，但在本文中，认为计算时间对于实现自动驾驶等实时应用非常重要。 为实现这一目标，作者提出了一种通过统一架构进行联合分类，检测和语义分割的方法，其中编码器在三个任务之间共享。 我们的方法非常简单，可以在具有挑战性的KITTI数据集中端到端地进行训练并表现得非常好，超越了道路分割任务中的最新技术水平。 提出的方法也非常有效，允许以超过每秒23帧的速度进行...
2019-07-04 10:05:46
588
原创 Fully Convolutional DenseNets for Semantic Segmentation论文笔记
摘要：语义分割最先进的方法是建立在卷积神经网络网络上的，典型的语义分割架构由（a）下采样路径负责提取粗糙的语义特征，后面跟着（b）上采样路径被训练在模型的输出恢复输入图像的分辨率，可选的（c）后处理模块，比如条件随机场去精修模型预测的结果。最近，一种新的CNN架构，即密集连接卷积网络（DenseNets），在图像分类任务中表现出色。 DenseNets的想法是基于这样的观察：如果每个层以前...
2019-07-04 09:59:54
257
原创 Xception: Deep Learning with Depthwise Separable Convolutions论文笔记
摘要：这篇论文主要讲了如何从传统的卷积演化到深度可分离卷积，并提出了Xception架构。一、从传统卷积到深度可分离卷积：传统的卷积一系列卷积串行堆叠在一起，用来提取特征，这样做的好处是能让特征图不同的通道上空间关系建立联系，因为每个输出的通道都是由输入特征图上所有通道上空间信息的融合，典型的网络架构比如VGG,如下：后来，Inception想让特征图中的通道部分解耦，即将互相...
2019-07-02 10:48:38
259
原创 YOLO9000: Better, Faster, Stronger论文笔记
论文链接：https://arxiv.org/abs/1612.08242摘要:论文在YOLO的基础上，引入BN，更高分辨率的分类器，anchor机制提高了精度，对应题目的Better。通过使用自家提出的DarkNet19提高了速度，对应题目的Faster。通过WordTree将目标检测数据集和图像分类数据集组合起来，将检测器和分类器解耦，可以实现弱监督学习，可以检测9000个类别，对应题...
2019-06-15 18:33:34
200
原创 Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks论文笔记
论文链接：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks摘要：最先进的目标检测网络依赖于候选区域提取算法来假设目标位置。SPPnet和Fast R-CNN网络等技术的进步降低了这些检测网络的运行时间，也暴露了基于候选区域算法的计算瓶颈。在这篇文章中，作者引入了一个与检测网络共享全图...
2019-05-29 16:50:42
250
原创 Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition论文笔记
论文链接：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition摘要：目前存在的深度卷积神经网络（CNNs）都需要固定大小的图像作为输入，这个输入要求是‘人为造成的’并且有可能会降低图像或任意尺寸的子图的识别精度。这篇论文，作者在网络中使用了一种池化策略，空间金字塔池化来去掉那个输入要求。这...
2019-05-19 23:32:40
212
原创 Fast R-CNN论文笔记
论文链接：Fast R-CNN摘要：这篇论文提出了一个快速的基于候选区域的网络用于目标检测，叫做Fast R-CNN。Fast R-CNN是在之前的工作基础（R-CNN,SPPnet等）上改进的，相比于之前的工作，Fast R-CNN使用了几个创新的方法，不仅降低了训练和测试的时间，也提高了检测精度。使用VGG16作为主干网络，Fast R-CNN比R-CNN训练快9倍，测试快213倍，比...
2019-05-19 16:13:16
832
原创 R-CNN(Rich feature hierarchies for accurate object detection and semantic segmentation)论文笔记
论文链接：Rich feature hierarchies for accurate object detection and semantic segmentation摘要：在PASCAL VOC数据集上，目标检测的性能没有太大的突破。性能最好的方法是复杂的集成系统，它通常将多个低层图像特性与高层上下文结合起来。在本文中，作者提出了一种简单、可扩展的检测算法，相对于之前VOC 2012的...
2019-05-18 22:50:58
308
原创 SSD: Single Shot MultiBox Detector论文笔记
论文链接：SSD: Single Shot MultiBox Detector代码：SSD摘要：作者提出了一个单一的深度神经网络（SSD）来做图像的目标检测。网络预测出的边界框由一系列默认框组成，这些默认框位于每个特征图位置上并且有不同的横纵比和尺度。在预测时，网络为每个默认框中每个目标类别的存在生成评分，并对该框进行调整以更好地匹配对象形状。此外，该网络结合了来自不同分辨率的多个特...
2019-05-15 17:49:39
285
原创 SAGAN(Self-Attention Generative Adversarial Networks)论文笔记
论文链接：Self-Attention Generative Adversarial Networks这篇论文是将自注意力机制引入生成对抗网络用于图像生成任务。摘要：这篇论文，作者提出了自注意力生成对抗网络(SAGAN)来建模像素间的远距离关系，用于图像生成任务。传统的生成对抗网络(GAN)生成高分辨率图像的细节仅仅利用了低分辨率特征图的局部空间信息。在SAGAN，会利用特征图上所有的...
2019-05-12 14:19:42
2370
原创 CBAM: Convolutional Block Attention Module论文笔记
论文链接：CBAM: Convolutional Block Attention Module摘要：提出了卷积注意模块(CBAM)，这是一种简单有效的卷积神经网络注意模块。在给定一个中间特征图的情况下，该模块对特征图通道和空间两个维度分别计算注意力，然后将注意图乘到输入的特征图中。因为CBAM是一个轻量级的通用模块，它可以无缝地集成到任何CNN架构中，开销可以忽略不计，并且可以与基本CNN...
2019-05-11 21:02:30
883
原创 ParseNet: Looking Wider to See Better论文笔记
论文链接：https://arxiv.org/pdf/1506.04579.pdf代码：https://github.com/weiliu89/caffe/tree/fcn摘要：论文提出了在语义分割的深度神经网络中添加全局信息，即对一个卷积层，使用平均特征来增强每个位置的特征。除此之外，还提出了训练模型的几个方法，显著的提高了基准模型的性能。当添加论文提出的全局特征和学习正则化参数的技...
2019-05-10 15:43:11
841
原创 SCNN(Spatial As Deep: Spatial CNN for Traffic Scene Understanding)论文笔记
论文地址：Spatial As Deep: Spatial CNN for Traffic Scene Understanding代码：SCNN摘要：卷积神经网络通常是逐层堆叠的卷积操作构成，虽然有强大的特征提取能力，从像素中提取语义信息，但是跨行列提取图像的空间信息的能力并没有完全被利用。这些信息对像车道线和电线杆这种有很强的外观先验很弱的外观线索的目标是很重要的，这些目标经常会被遮...
2019-05-10 10:37:29
1748
3
原创 RefineDet(Single-Shot Refinement Neural Network for Object Detection)论文笔记
论文链接：Single-Shot Refinement Neural Network for Object Detection代码链接：RefineDet代码摘要：对于目标检测任务，两阶段方法（比如Faster R-CNN）实现了最高的准确率。然而一阶段方法（比如：SSD）在计算效率上有优势。为了吸收这两个方法的优点并且摒弃他们的缺点。这篇论文提出了一个新的基于一步式的检测器，叫做Re...
2019-05-08 17:55:22
498
原创 YOLOv1(You Only Look Once: Unified, Real-Time Object Detection)论文笔记
论文链接：You Only Look Once: Unified, Real-Time Object Detection网页地址：YOLO摘要：我们提出了YOLO，一个新的方法用于目标检测。之前的目标检测工作都是使用分类器来做检测。相反，我们将目标检测中空间分离的边界框和相关的类概率问题使用回归来处理。在每次测试时，一个神经网络直接从全图预测出目标的边界框和所属的类别。因为整个检测流程...
2019-05-07 15:55:16
999
原创 Win10环境+ CUDA9.0 +CUDNN7.0+TensorFlow1.7/1.6/1.5配置
前言：很多小伙伴在选择CUDA版本和cudnn版本上有疑问，这里简短的说一下，希望能帮到各位小伙伴，我在网上看到有人说，要根据自己的显卡来选择CUDA，其实是错误的，你可以下载自己所需要的CUDA版本,这只是个驱动而已。CUDA的版本和cundd的版本要对应，不然可能会有不兼容报错。CUDA是显卡驱动程序，cundd是用来加速深度学习训练的库，在训练网络时，使用GPU加速，会调CUDA驱动和cud...
2018-03-02 13:35:42
57063
17
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