深度学习
YLH9604
这个作者很懒,什么都没留下…
展开
-
深度学习转载
http://www.cnblogs.com/tornadomeet/category/497607.html转载 2015-03-11 15:12:52 · 440 阅读 · 0 评论 -
Segmentation
https://handong1587.github.io/deep_learning/2015/10/09/segmentation.html#semantic-segmentation转载 2016-09-30 16:28:00 · 752 阅读 · 0 评论 -
目标检测
前言2016年的CVPR会议目标检测(在这里讨论的是2D的目标检测,如图1所示)的方法主要是基于卷积神经网络的框架,代表性的工作有ResNet[1](Kaiming He等)、YOLO[5](Joseph Redmon等)、LocNet[7](Spyros Gidaris等)、HyperNet[3](Tao Kong等)、ION[2](Sean Bell等)、G-CNN[6](Mahyar Naj转载 2016-11-08 13:52:23 · 6466 阅读 · 0 评论 -
Mean Average Precision(MAP)平均精度均值
MAP(Mean Average Precision):单个主题的平均准确率是每篇相关文档检索出后的准确率的平均值。主集合的平均准确率(MAP)是每个主题的平均准确率的平均值。 MAP 是反映系统在全部相关文档上性能的单值指标。系统检索出来的相关文档越靠前(rank 越高),MAP就可能越高。如果系统没有返回相关文档,则准确率默认为0。例如:假设有两个主题,主题1有4个相关网页,主题2有5转载 2016-11-09 15:50:46 · 10236 阅读 · 0 评论 -
Deep Learning论文选读
国际人工智能联合会议( International Joint Conference on Artificial Intelligence,IJCAI )是聚集人工智能领域研究者和从业者的盛会,也是人工智能领域中最主要的学术会议之一。1969 年到 2015 年,该大会在每个奇数年举办,现已举办了 24 届。随着近几年来人工智能领域的研究和应用的持续升温,从 2016 年开始,IJCAI 大会转载 2016-11-16 21:32:13 · 628 阅读 · 0 评论 -
深度学习参考博客
1)MyArrow的专栏http://blog.csdn.net/myarrow?viewmode=contents转载 2016-10-18 10:53:36 · 399 阅读 · 0 评论 -
为你的深度学习任务挑选最合适GPU
http://synchuman.baijia.baidu.com/article/546360转载 2017-03-19 13:44:21 · 791 阅读 · 0 评论 -
卷积网络层计算
layers { name: "conv1" type: CONVOLUTION bottom: "data" top: "conv1" blobs_lr: 1 # learning rate multiplier for the filters blobs_lr: 2 # l转载 2017-03-19 14:02:59 · 416 阅读 · 0 评论 -
深度学习主机环境配置: Ubuntu16.04 + GeForce GTX 1070
深度学习主机环境配置: Ubuntu16.04 + GeForce GTX 1070 + CUDA8.0 + cuDNN5.1 + TensorFlowhttp://www.cnblogs.com/czaoth/p/6132485.html转载 2017-03-12 17:48:40 · 911 阅读 · 0 评论 -
Caffe CNN特征可视化
以下部分代码是根据caffe的python接口,从一次forword中取出param和blob里面的卷积核 和响应的卷积图。import numpy as npimport matplotlib.pyplot as pltimport osimport caffeimport sysimport pickleimport cv2caffe_root = '../' dep转载 2017-04-28 09:42:43 · 907 阅读 · 0 评论 -
迁移学习和微调深度卷积神经网络
这是由几个部分组成的博客系列,我将在此系列中聊一聊我对深度学习的经验及认识。在第一部分,我讨论了不同的有代表性的框架的优劣,以及我选择 Theano(与 Lasagne)作为我的平台的原因。第二部分是基于我将要在 2016 年度数据科学论坛(The Data Science Conference)上的发言内容整理的。我将在这部分讲解深度卷积神经网络(DCNN:Deep Convolut转载 2017-04-24 13:53:10 · 1812 阅读 · 0 评论 -
深度学习学习综合资料
http://blog.csdn.net/vbskj/article/category/6337222转载 2017-07-04 10:21:23 · 328 阅读 · 0 评论 -
TensorFlow实现center loss
TensorFlow实现center loss:Center loss是ECCV2016中一篇论文提出来的概念,主要思想就是在softmax loss基础上额外加入一个正则项,让网络中每一类样本的特征向量都能够尽量聚在一起。具体的原理推导等请参考论文,论文作者放出了Caffe实现,网上还能找到mxnet的实现,这里我放出一个TensorFlow版的实现及详细注释,代码很短,如下:原创 2017-07-04 10:30:24 · 3114 阅读 · 2 评论 -
网络调参优化参考
1)Must Know Tips/Tricks in Deep Neural Networkshttp://lamda.nju.edu.cn/weixs/project/CNNTricks/CNNTricks.html2)卷积神经网络改进想法初探http://blog.csdn.net/u010402786/article/details/492727573)神经网络训练中转载 2017-07-07 10:52:11 · 389 阅读 · 0 评论 -
使用FCN做图像语义分割(实践篇)
http://blog.csdn.net/gavin__zhou/article/details/52142696FCN原理原理我已经在上篇博客说过,大家可以参考FCN原理篇代码FCN有官方的代码,具体地址是FCN官方代码不过我用的不是这个代码,我用的是别人修改官方的版本的代码,使用Chainer框架实现的,Chainer的源码链接:Chainer框架源码,转载 2016-09-30 15:00:38 · 4134 阅读 · 0 评论 -
深度学习测试库说明
连接:http://blog.csdn.net/qq_14845119/article/details/51913171转载 2016-10-21 14:03:36 · 471 阅读 · 0 评论 -
关于深度学习(deep learning)
说起对深度学习的了解,是在今年10月份看了Stanford University的计算机科学家Andrew Y. Ng教授在Google的一个演讲视频开始的,看了之后还以为就是以前所说的artificial neutral network(人工神经网络),这个东西在本世纪初就逐渐越来越少人研究了,特别是在support vector machine(SVM, 支持向量机)以其较强的分类能力和泛化能转载 2015-10-23 22:22:23 · 564 阅读 · 0 评论 -
卷积神经网络改进想法初探(上篇)
http://blog.csdn.net/u010402786/article/details/49272757转载 2016-03-16 21:44:59 · 647 阅读 · 0 评论 -
目标检测研究方向(ICCV2013、CVPR2013、ECCV2013目标检测相关论文)
ICCV2013、CVPR2013、ECCV2013目标检测相关论文CVPapers 网址: http://www.cvpapers.com/ ICCV2013 Papers about Object Detection:1. Regionlets for Generic Object Detection. Xiaoyu Wang, Ming Yang, She转载 2016-03-16 22:50:33 · 1897 阅读 · 0 评论 -
卷积神经网络入门学
卷积神经网络入门学原文地址:http://blog.csdn.net/hjimce/article/details/47323463作者:hjimce卷积神经网络算法是n年前就有的算法,只是近年来因为深度学习相关算法为多层网络的训练提供了新方法,然后现在电脑的计算能力已非当年的那种计算水平,同时现在的训练数据很多,于是神经网络的相关算法又重新火了起来,因此卷积神经网络就转载 2016-03-17 21:37:00 · 510 阅读 · 0 评论 -
Deep learning学习
[1]Deep learning简介[2]Deep Learning训练过程[3]Deep Learning模型之:CNN卷积神经网络推导和实现[4]Deep Learning模型之:CNN的反向求导及练习[5]Deep Learning模型之:CNN卷积神经网络(一)深度解析CNN[6]Deep Learning模型之:CN转载 2016-03-18 11:00:56 · 366 阅读 · 0 评论 -
Fast rcnn set up
http://blog.sina.com.cn/s/blog_855a82cd0102vnjq.html原文:http://arxiv.org/pdf/1504.08083.pdf代码:https://github.com/rbgirshick/fast-rcnnFast rcnn1.准备工作1.1 软件准备 首先,需要安装Caffe和pycaffe。转载 2016-03-20 16:07:06 · 752 阅读 · 0 评论 -
深度学习Matlab工具箱代码注释
http://blog.csdn.net/u013088062/article/details/48662051学习 Deep Learning(一)Neural Networkhttp://www.cnblogs.com/daleloogn/p/4162459.html转载 2016-03-12 11:28:51 · 1274 阅读 · 0 评论 -
2015伦敦深度学习峰会笔记:来自DeepMind、Clarifai等大神的分享
http://www.csdn.net/article/2015-10-17/2825945转载 2016-06-30 15:48:22 · 470 阅读 · 0 评论 -
深度学习语义分割
午餐之后,下午的演讲由两场语义分割开始,这意味着识别和描述图片中的物体。在道路场景解析(自动驾驶汽车),机器人抓取物体和医疗保健(分割肿瘤,龋齿等)等中是很有用的任务。Sven Behnke,波恩大学计算机科学系主管,讲述了两个算法,神经抽象金字塔和语义RGB-D感知器。《神经抽象金字塔(NAP)》是他的历史著作(约98年, 论文)。NAP是一个神经网络,其包括横向连接,与人类视觉系统工作转载 2016-06-30 15:52:51 · 7001 阅读 · 0 评论 -
深度卷积网络CNN与图像语义分割
出处: http://xiahouzuoxin.github.io/notes/级别1:DL快速上手级别2:从Caffe着手实践级别3:读paper,网络Train起来级别4:Demo跑起来读一些源码玩玩熟悉Caffe接口,写Demo这是硬功夫分析各层Layer输出特征级别5:何不自己搭个CNN玩玩Train CNN时关于数据集的一些注意事项级别6:加速转载 2016-06-30 15:55:04 · 1265 阅读 · 0 评论 -
基于CNN的性别、年龄识别
CNN应用之性别、年龄识别原文地址:http://blog.csdn.net/hjimce/article/details/49255013作者:hjimce一、相关理论 本篇博文主要讲解2015年一篇paper《Age and Gender Classification using Convolutional Neural Networks》,个人感转载 2016-07-14 16:41:44 · 867 阅读 · 0 评论 -
SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <1MB model size阅读笔记
http://blog.csdn.net/jiajunlee/article/details/50785975版权声明:本文为LEE Jiajun原创文章,转载请注明出处。目录(?)[+]前言摘要介绍及动机Sec 2 SqueezeNetSec 3 Related WorkSec 4 EvaluationSec 5 Concl转载 2016-07-06 09:02:02 · 1573 阅读 · 0 评论 -
一文读懂卷积神经网络CNN
自今年七月份以来,一直在实验室负责卷积神经网络(Convolutional Neural Network,CNN),期间配置和使用过theano和cuda-convnet、cuda-convnet2。为了增进CNN的理解和使用,特写此博文,以其与人交流,互有增益。正文之前,先说几点自己对于CNN的感触。先明确一点就是,Deep Learning是全部深度学习算法的总称,CNN是深度学习算法在图像处转载 2016-07-06 09:18:47 · 1033 阅读 · 0 评论 -
最新SqueezeNet 模型详解,CNN模型参数降低50倍,压缩461倍!
http://blog.csdn.net/xbinworld/article/details/50897870继续前面关于深度学习CNN经典模型的整理,之前介绍了CNN网络Lenet,Alexnet,Googlenet,VGG,Deep Residual Learning(点击查看)的网络结构。本文讲一下最新由UC Berkeley和Stanford研究人员一起完成的S转载 2016-07-06 08:59:49 · 2101 阅读 · 0 评论 -
损失函数 center_loss triplet loss
A Discriminative Feature Learning Approach for Deep Face Recognition 原理及在caffe实验复现图像特征提取系列之PCAcenter loss代码注释(caffe新添加层)TensorFlow实现center loss转载 2017-07-04 10:33:22 · 4284 阅读 · 0 评论