MR CODER

原创 环境配置

找cuda：ls /usr/bin/cuda 查看GPU型号：nvidia-sml 下载与cpu对应的pytorch,例如： pip install https://download.pytorch.org/whl/cu90/torch-1.1.0-cp37-cp37m-linux_x86_64.whl pytorch下载网站：https://download.pytorch.org/whl/cu...

原创 cs231n作业：Assignment1-KNN

note: 曼哈顿距离依赖于坐标系统的选择（向量中的元素可能都有实际的意义） d1(I1,I2)=∑p∣I1p−I2p∣d_{1}(I_{1}, I_{2}) = \sum_{p}|I_{1}^{p}-I_{2}^{p}|d1​(I1​,I2​)=∑p​∣I1p​−I2p​∣ 欧式距离对距离的排序不会受到坐标系统的影响 d2(I1,I2)=∑p(I1p−I2p)2d_{2}(I_{1}, I_{2...

原创 YOLO9000: Better, Faster, Stronger

1.介绍 （1）大多数检测方法受限于小目标 （2）YOLOv2可以检测9000多种不同的物体 更好 （1）由于YOLO的缺点，我们的目标是提高召回和定位，同时保持分类的准确性。 （2）我们不是扩展我们的网络，而是简化我们的网络，然后使表示更容易学习。 ...

原创 降（上）采样

降采样（subsampled） 目标：使得图像符合显示区域的大小，生成对应图像的缩率图。 本质就是池化操作（pooling），降低特征的维度保留有效的信息。保持平移，旋转，伸缩不变性。 图像的质量可能受到影响，但是也有一些缩放方法能够增加图像的质量。 上采样（upsampled） 目标：放大原图像，从而可以显示在更高分辨率的图像上。 操作：几乎都是采用内插值方法，即在原有图像像素的基础上，在像素点...

原创 目标检测20年

00

原创 目标检测历史进展

早期目标检测流程 （1）候选框生成 （2）特征向量提取 （3）区域分类 DeepLearning 时代目标检测 （1）二阶检测器（如CNN，（R-CNN）及其变体） 首先使用候选框生成器生成稀疏的候选框集，然后使用深度卷积网络编码生成候选框的特征向量，最后使用区域分类器预测候选框区域类别 （2）一阶检测器（如YOLO） 直接对特征图像上的每个位置进行类别预测 二阶检测器性能更优，一阶...

原创 吴恩达 深度学习 学习笔记

第二周 深度卷积网络：实例探究 2.11计算机视觉 当数据量不大时，就需要在人工设计上多下一点功夫 通过他人的预训练模型进行微调可能训练效果会很好（大量的数据和GPU资源） 集成，可以独立训练几个神经网络并平均它们的输出（基准有所提高）eg:multi-crop 第三周 目标检测 3.1 目标定位 不仅识别出图像的类别，还想定位对象的位置，，需要神经网络输出一个边界框 eg:bx,...

原创 讯飞 信息

原创 You Only Look Once: Unified, Real-Time Object Detection

摘要 （1）将目标检测的设计看做是一个回归问题，从空间上分割边界框和类别的概率。 （2）在一次评估中，仅用一个神经网络就能预测整张图像的边界框和类别概率。 （3）特点： 1.检测速度非常快。 2.与其他实时检测系统相比能实现较高的mAP。 3.与其他先进的检测模型相比，定位误差更高，但不太可能将背景检测成目标（FP）。 4.能够学到非常泛化的表示。 1 介绍 （1）RPN网络的一些弊端： 1.使用...

原创 准确率和召回率 precision / Recall / mAP(mean average precision) / fps

因为看了很多次都没记住所以自己记录一下 西瓜和苹果 TP：西瓜检测成西瓜 FP：苹果检测成西瓜 FN：西瓜检测成苹果 TN：苹果检测成苹果 准确率 = （把西瓜检测成西瓜）/（把西瓜检测成西瓜+把苹果也检测成西瓜） 即：检测到的西瓜中确实是西瓜的个数 （precision）= TP / （TP+FP） 召回率 = （把西瓜检测成西瓜）/（把西瓜检测成西瓜+把西瓜检测成苹果） 即：西瓜中有多少被...

原创 心得总结

1.刷题还是很必须的。要做到快速出题，实在不会的题也得写个次优解，千万不要挂机。 2. 多掌握面试的主导权。引导面试官听你擅长的东西。 3. 面试气氛也很重要。 至少你要保持笑容，尽量不要愁眉苦脸，让面试官觉得以后和你合作会很愉快。 4. 知识的积累。这个平时就要做到，就不多说了。 5. 面试前的复习重点是自己的简历。 因为面试官重点会考察你对自己做过的项目的理解程度，看你是不是划水的。 6. 放...