- 博客(11)
- 资源 (1)
- 收藏
- 关注
原创 目标检测算法的一些讲解
R-CNN的过程输入测试图像,用selective search的方法在图像上提取2000个region Proposal将每个region proposals缩放到227*227的大小并输入到cnn,将CNN的fc7的输出作为特征将每个region proposal提取的cnn特征 作为SVM的输入,然后进行分类对于svm分好类的region proposals做边界框回归,用boun...
2019-08-31 21:57:54 778
原创 ROIpooling是什么
ROI操作的基本介绍roi是在原图中的感兴趣区域,可以理解为目标检测的候选框也就是region of proposals,我们将原图进行特征提取的时候,就会提取到相应的feature map。那么相应的ROI就会在feature map上有映射,这个映射过程就是roipooling的一部分,一般ROI的步骤会继续进行max pooling,进而得到我们需要的feature map,送入后面继续计...
2019-08-31 15:07:43 29723 5
原创 胶囊网络
摘要这篇文章就是提出了一个新的结构胶囊时一组神经元的集合,这些集合用一个 向量表示,其中active的vector代表着某个实体的各个实例参数。通常我们会用此向量的长度来代表某个实体存在的概率,方向表示这个 实体的一些属性。在网络中,低层的胶囊为高层的胶囊做预测,当低层的都完成预测的时候,高层的胶囊就会被激活,通常低层的胶囊将自己的输出传递给高层 的胶囊的时候,遵循着高层与低层的胶囊的输出有一...
2019-08-30 21:57:45 883
转载 c++的多态
c++的多态分为静态多态和动态多态,函数重载和运算符重载属于静态多态,虚函数实现的是动态多态虚函数允许子类重新定义成员函数,而子类中重新定义父类的方法称为覆盖,或者重写(override)多态的实现最常见的方法就是声明基类的指针,让该指针指向任意一个子类对象,由于编写代码的时候,不能确定被调用的是基类的函数还是派生类的函数,所以就采用虚函数。如果没有声明是虚函数,那么就不会调用子类的函数...
2019-08-28 09:41:28 101
原创 机器学习&深度学习的一些知识点
优化函数SGD是随机梯度下降,每一次迭代计算数据集的mini-batch的梯度,然后对参数进行更新momentum参考了物理中动量的概念,前几次梯度也会参与到当前的计算中去,但是前几轮的梯度叠加会在当前一轮有一定的衰减adagard在训练的过程中可以自动的变更学习的速率,设置一个全局的学习率,而实际的学习率与以往的参数模和的开方成反比adam利用梯度的一阶矩和二阶距动态调整每个参数的学习率...
2019-08-27 14:16:53 111
转载 转载]对深度可分离卷积、分组卷积、扩张卷积、转置卷积(反卷积)的理解
深度可分离卷积(depthwise separable convolution)在可分离卷积(separable convolution)中,通常将卷积操作拆分成多个步骤。而在神经网络中通常使用的就是深度可分离卷积(depthwise separable convolution)。举个例子,假设有一个3×3大小的卷积层,其输入通道为16、输出通道为32。那么一般的操作就是用32个3×3的卷...
2019-08-21 14:08:35 226
转载 目标检测-Matrix Nets
仅适用此模型一半的参数量就可以实现47.8%的MAP,高于任何其他的单步检测,另外,xnets的训练速度是目前第二号的框架的3倍使用的主要方法就是将目标的尺度和宽高比映射到不同的层中,使得每层目标的大小和宽高几乎满足统一的条件,是一种考虑目标尺度和宽高比的框架。目标检测方法两步检测faster rcnn,mask rcnn单步检测 基于锚点的,基于关键点的检测基于...
2019-08-16 16:07:05 2013 2
原创 人体骨骼关键点检测
challenge关键点可见性受穿着,姿态,视角影响很大,而且面临着遮挡,光照,雾等环境的影响,2d人体检测和3d人体关键点视觉上会有明显的差异,身体的不同部位有视觉缩短的效果,使得人体骨骼关键点。关键点检测算法关键点检测算法主要分为自上而下和自下而上两种。自上而下就是目标检测+单人骨骼关键点检测1关键点的局部信息区分度很弱,背景中很容易出现同样的局部信息造成的混淆,需要考虑较大的感...
2019-08-15 11:02:37 3820
原创 深度学习模型发展史
多层感知机LeNet51.相比MLP,LeNet使用了相对更少的参数,获得了更好的结果。2.设计了maxpool来提取特征AlexNet特点:1.相比LeNet,AlexNet设计了更深层的网络。2.在每个卷机后面添加了Relu激活函数,解决了Sigmoid的梯度消失问题,使收敛更快。3.添加了归一化LRN(Local Response Normalizati...
2019-08-10 16:53:35 3459
转载 神经网络中的数据增强
数据增强与过拟合验证是否过拟合的方法:如果训练集的loss持续减小,验证集的loss增大,那么就是过拟合了数据增强的目的数据增强实现数据更为复杂的表征,减小训练集与验证集以及最终测试集的差距,网络更好的学习迁移数据集上的数据分布。数据增强的方法1 数据变换增强包括几何变化换,色彩空间变换,随机擦除,对抗训练,神经风格迁移2 重采样增强侧重于新的实例的合成,图像混合,特征空间的增强,...
2019-08-05 11:26:02 3916
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人