zhengzibing2011-CSDN博客

原创 caffe层笔记系列Loss层

SoftmaxWithLoss1. 可选参数 1) ignore_label int型变量，默认为空。如果指定值，则label等于ignore_label的样本将不参与Loss计算，反向传播时梯度直接置0。 2) normalize bool型变量，即Loss会除以参与计算的样本总数，否则Loss等于直接求和。 3) normalization enum型变量，默认为VALID,详细情

2017-12-09 16:29:59 342

原创看论文，做笔记系列(1)——Network in Network

重读论文《Network in Network》，发现有几点值得记录的地方，特记录在此！1.意义传统的convolution filter 是一个GLM(generalized linear model)，其对图像局部区域的抽象能力有限。使用基于GLM的传统CNN均内在的假设潜在的图像空间线性可分，但实际上可能并非如此。为解决该问题，传统CNN采用了较多的filter(超完备)对input进行卷

2017-10-23 17:53:26 468

1.缘由在图像语义分割任务中，需要将最终的feature map放大到原图像大小，以实现对每个pixel的分类，进而完成语义分割。下面记录下常用的图像缩放算法——双线性差值。2.坐标映射本文讨论的是点阵图像，以3x3像素为例，灰度级为256，将其放大至4x4。坐标系如下图所示：假设3x3的像素矩阵称为源图，以source image表示，4x4的像素矩阵称为目标图像，以destination ima

2017-10-22 11:11:51 2152

原创提升语义分割性能的几种方法

本文主要记录几种提升基于深度学习的图像语义分割精度的方法，以防忘记！ By zhengzibing2011, 2017年10月21日-星期六1.图像语义分割面临的挑战(1).特征分辨率减小：主要是由神经网络中的重复最大池化和降采样（stride跨越）操作造成的，而采用此种操作的原因是 A.降维，以免参数过多难以优化；

2017-10-21 17:46:25 10853 2

原创计算机CPU核与线程

CPU的核心数是指物理上，也就是硬件上存在着几个核心。比如，双核就是包括2个相对独立的CPU核心单元组。线程与进程：（1）进程：资源管理的最小单位　　独立的内存空间（2）线程：程序执行的最小单位　　拥有独立的栈空间包含关系：每个线程只能属于某一个进程，而一个进程至少有一个线程。进程：顾名思义就是正在进行中的程序,也可以说是正在运行的程序线程：一个程序至少有一个进程,

2017-05-27 15:24:22 755