yanzi6969的专栏

转自：https://zhuanlan.zhihu.com/p/35394369【目标检测简史】进击的YOLOv3，目标检测网络的巅峰之作浩克匠心计算视觉与深度学习老司机155 人赞了该文章YOLOv3的前世今生2015年，R-CNN横空出世，目标检测DL世代大幕拉开。各路豪杰快速迭代，陆续有了SPP，fast，faster版本，至R-FCN，速度与精度齐飞，区域推荐类网络大放异彩。奈何，未达实时...

转自：https://xmfbit.github.io/2018/04/01/paper-yolov3/YOLO的作者又放出了V3版本，在之前的版本上做出了一些改进，达到了更好的性能。这篇博客介绍这篇论文：YOLOv3: An Incremental Improvement。下面这张图是YOLO V3与RetinaNet的比较。可以使用搜索功能，在本博客内搜索YOLO前作的论文阅读和代码。YOLO...

转自：https://blog.csdn.net/shenxiaolu1984/article/details/51348149Long, Jonathan, Evan Shelhamer, and Trevor Darrell. “Fully convolutional networks for semantic segmentation.” Proceedings of the IEEE Co...

转自：https://blog.csdn.net/linolzhang/article/details/71774168一. Mask-RCNN 介绍       上篇文章介绍了 FCN，这篇文章引入个新的概念 Mask-RCNN，看着比较好理解哈，就是在 RCNN 的基础上添加 Mask。       Mask-RCNN 来自于年轻有为的 Kaiming 大神，通过在 Faster-RCNN 的...

转自：https://blog.csdn.net/shenxiaolu1984/article/details/51152614Ren, Shaoqing, et al. “Faster R-CNN: Towards real-time object detection with region proposal networks.” Advances in Neural Information P...

转自：https://blog.csdn.net/shenxiaolu1984/article/details/51036677Girshick, Ross. “Fast r-cnn.” Proceedings of the IEEE International Conference on Computer Vision. 2015.继2014年的RCNN之后，Ross Girshick在15年推...

转自：https://blog.csdn.net/shenxiaolu1984/article/details/51066975#fnref:5Girshick, Ross, et al. “Rich feature hierarchies for accurate object detection and semantic segmentation.” Proceedings of the IE...

1 温习1.1 关于caffe的名称：caffe = convolutional architecture for fast feature embedding1.2 caffe.protoProtocol Buffers顾名思义这是一种协议接口，这是了解caffe功能之后，需要了解的第一件事情。有很多相关博客。简单看一下其结构：?12345678910<code class="hljs c...

转自：http://blog.csdn.net/eddy_zheng/article/details/521266411、概念在目标检测的评价体系中，有一个参数叫做 IoU ，简单来讲就是模型产生的目标窗口和原来标记窗口的交叠率。具体我们可以简单的理解为： 即检测结果(DetectionResult)与 Ground Truth 的交集比上它们的并集，即为检测的准确率 IoU

转自：http://www.cnblogs.com/ooon/p/5415888.html       之前所讲的图像处理都是小 patchs ，比如28*28或者36*36之类，考虑如下情形，对于一副1000*1000的图像，即106，当隐层也有106节点时，那么W(1)的数量将达到1012级别，为了减少参数规模，加快训练速度，CNN应运而生。CNN就像辟邪剑谱一样，正常人练得很

转自：http://blog.csdn.net/smartempire/article/details/28128727版权声明：    本文由LeftNotEasy发布于http://leftnoteasy.cnblogs.com, 本文可以被全部的转载或者部分使用，但请注明出处，如果有问题，请联系wheeleast@gmail.com前言：    上一次写了关于

转自：http://www.cnblogs.com/pinard/p/6164214.html      首先要来了解的一个概念就是聚类，简单地说就是把相似的东西分到一组，同 Classification (分类)不同，对于一个 classifier ，通常需要你告诉它“这个东西被分为某某类”这样一些例子，理想情况下，一个 classifier 会从它得到的训练集中进行“学习”，从而具

方法一:caffe自带了测试命令，只需在caffe根目录输入：~/caffe-master$ ./build/tools/caffe test\ -model examples/mnist/lenet_train_test.prototxt \-weights examples/mnist/lenet_iter_10000.caffemodel\ -iteratio

转自：http://www.cnblogs.com/denny402/p/5075490.html为了程序的简洁，在caffe中是不带练习数据的，因此需要自己去下载。但在caffe根目录下的data文件夹里，作者已经为我们编写好了下载数据的脚本文件，我们只需要联网，运行这些脚本文件就行了。注意：在caffe中运行所有程序，都必须在根目录下进行，否则会出错1、mnist实

转自：http://www.cnblogs.com/denny402/p/5074212.html上文提到，到目前为止，caffe总共提供了六种优化方法：Stochastic Gradient Descent (type: "SGD"),AdaDelta (type: "AdaDelta"),Adaptive Gradient (type: "AdaGrad"),Adam (t

solver算是caffe的核心的核心，它协调着整个模型的运作。caffe程序运行必带的一个参数就是solver配置文件。运行代码一般为# caffe train --solver=*_slover.prototxt在Deep Learning中，往往loss function是非凸的，没有解析解，我们需要通过优化方法来求解。solver的主要作用就是交替调用前向（forwar

转自：http://www.cnblogs.com/denny402/p/5073427.html深度网络(net)是一个组合模型，它由许多相互连接的层（layers)组合而成。Caffe就是组建深度网络的这样一种工具，它按照一定的策略，一层一层的搭建出自己的模型。它将所有的信息数据定义为blobs，从而进行便利的操作和通讯。Blob是caffe框架中一种标准的数组，一种统一的内存接口，它详细

转自：http://www.cnblogs.com/denny402/p/5072746.html本文讲解一些其它的常用层，包括：softmax_loss层，Inner Product层，accuracy层，reshape层和dropout层及其它们的参数配置。1、softmax-losssoftmax-loss层和softmax层计算大致是相同的。softmax是一个

转自：http://www.cnblogs.com/denny402/p/5072507.html在激活层中，对输入数据进行激活操作（实际上就是一种函数变换），是逐元素进行运算的。从bottom得到一个blob数据输入，运算后，从top输入一个blob数据。在运算过程中，没有改变数据的大小，即输入和输出的数据大小是相等的。输入：n*c*h*w输出：n*c*h*w

转自：http://www.cnblogs.com/denny402/p/5071126.html所有的层都具有的参数，如name, type, bottom, top和transform_param请参看上一篇文章。本文只讲解视觉层（Vision Layers)的参数，视觉层包括Convolution, Pooling, Local Response Normalizatio