![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
文章平均质量分 56
zhwli
学习笔记
展开
-
SpineNet论文笔记
目录链接摘要核心要点scale-permute 结构实验结果链接SpineNet: Learning Scale-Permuted Backbone for Recognition and Localization摘要图像分类任务通常采用逐步减小分辨率的网络结构,但是这种结果并不适合同时需要识别和定位的任务。为减小分辨率损失问题,分类任务中采用encoder-decoder结构,但是该结构...原创 2020-02-09 15:07:04 · 598 阅读 · 0 评论 -
【目标检测】CVPR2019 GIoU
文章目录背景&问题:解决方案:使用广义的IoU,即GIoU:GIoU优势效果展望论文链接: Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression背景&问题:IoU是目标检测领域用来衡量目标是否精确定位的指标。我们用L1、L2 loss回归得到bbox,计算Io...原创 2019-09-22 12:19:38 · 276 阅读 · 0 评论 -
理解 Batch Normalization
参考链接: https://zhuanlan.zhihu.com/p/26138673 https://blog.csdn.net/hjimce/article/details/50866313 https://blog.csdn.net/myarrow/article/details/51848285原理BN的本质是解决了反向传播过程中的梯度消失问题。梯度消失/爆炸问题...原创 2018-05-09 21:31:26 · 296 阅读 · 0 评论 -
【论文笔记-Stereo】Pyramid Stereo Matching Network
论文思想笔记结构论文思想使用ResNet提取特征用dilated convolution增大感受野用Pyramid pooling module,提取各个scale的特征,使之包含global的context信息用feature volume shift构建volume用stacked hourglass 3D CNN(encoder-deco...原创 2018-04-13 15:41:39 · 2241 阅读 · 0 评论 -
【论文笔记-stereo】LRCR
contribution: 1)novel recurrent model, end-to-end unifying consistency check and disparity estimation 2) introduce a soft attention mechanism, make the network automatically focus on the unreliable ...原创 2018-04-23 09:39:37 · 393 阅读 · 0 评论 -
【深度学习】优化算法(未完成)
SGDSGD + MomentumAdagradRMSPropAdam = RMSProp + Momentum原创 2018-03-29 09:31:35 · 170 阅读 · 0 评论 -
【物体检测】R-CNN家族
目标检测评测指标mAp(Mean Average Precision) true prediction: IoU>thresholdIoU>threshold IoU > threshold & ypred=yypred=y y_{pred} = y 而且,多个类似的预测,只取一个,其他认为是false。即对一张图的同一个物体,假设有5个预测的IoU > thres...原创 2018-03-27 22:09:41 · 357 阅读 · 0 评论 -
【论文笔记-semantic segmentation】deeplabv3+
deeplab_v3+设计了一种新的encoder-decoder结构encoder:deeplab_v3+使用deeplab_v3的结构作为encoder, encoding之后得到size = 1/16 input size的feature mapdecoder:以前的方法直接设计一个16倍的比linear upsampling layer作为decoder。在这里,我们首先对...原创 2018-04-14 23:44:54 · 464 阅读 · 0 评论 -
神经网络梯度消失、梯度爆炸
形成原因,以 BP 为例说明解决方案Batch NormalizationReLUResNet,形成原因,以 BP 为例说明训练后期,最后一层网络越接近sigmoid两端,此时梯度很小,反向传播导致浅层网络的梯度更小,难以更新权重很深的网络哦容易出现这个问题,梯度计算的结果显示,低层网络的梯度是高层网络梯度结果(部分)的叠乘和它自己的部分的乘积。解决...原创 2018-04-09 17:14:10 · 456 阅读 · 1 评论 -
【论文笔记-Stereo】Deep Stereo Matching with Explicit Cost Aggregation Sub-Architecture
目录简介摘要论文主要内容A: 匹配代价计算特征提取(ResNet18)特征Volume构建相似度计算B: 匹配代价聚合C:视差计算实验简介Deep Stereo Matching with Explicit Cost Aggregation Sub-Architecture AAAI2018 ,KITTI2015目前(20180320...原创 2018-03-21 17:38:48 · 1212 阅读 · 0 评论 -
Multi-task Learning(未完成)
Notes of An Overview of Multi-Task Learning in Deep Neural Networks “As soon as you find yourself optimizing more than one loss function, you are doing multi-task learning.”翻译 2017-12-02 10:19:34 · 348 阅读 · 0 评论 -
[Paper Note] Batch normalization(未完成)
Paper: Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate ShiftNotation:Internal covariate shift: Inputs of each layer change during training, as the previous param原创 2017-11-11 12:47:49 · 199 阅读 · 0 评论 -
Wind Power & Machine Learning
http://www.sciencedirect.com/science/article/pii/S0925231216315533http://www.sciencedirect.com/science/article/pii/S0196890416305428http://www.sciencedirect.com/science/article/pii/S0960148115300574原创 2017-11-16 20:18:18 · 208 阅读 · 0 评论 -
[Stereo_cnn][cvpr16]Efficient Deep Learning for Stereo Matching(未完成)
[Paper note](Efficient Deep Learning for Stereo Matching)这篇文章介绍一种更加快速但是只损失少量精确度的双目视差计算方法。其使用的主要框架与MC-CNN类似,尤其是Fast 框架,直接对两个由Siamese network得到feature vectors进行inner product计算。然后对结果的预测采用多类分类的模型,类别即不同大...原创 2017-11-17 09:55:48 · 2532 阅读 · 1 评论 -
Postprocessing of stereo vision
https://www.youtube.com/watch?v=kmqSoinWqgQ原创 2017-12-09 11:22:33 · 218 阅读 · 0 评论 -
【论文笔记-Stereo】ICCV2017 Cascade Residual Learning: Stereo Matching
这篇文章介绍了一种新的双目视差计算框架,Cascade Residual Learning。近年来,在MC-CNN的启发下,视差计算算法成为了一种可以用学习解决的问题。文章总结了近年来基于CNN的视差算法,主要可以分为一下三种: 1. Matching cost Learning:这种方法主要将CNN用于匹配代价计算,辅之以一些经典的后处理方法,以得到比较好的视差图。主要代表有:Han ...原创 2017-12-09 11:09:13 · 1232 阅读 · 0 评论 -
[paper]End-to-End Training of Hybrid CNN-CRF Models for Stereo
Pre-learning隐马尔科夫模型 Y={y1,y2,...,yn}Y = \{y_1, y_2,...,y_n\} 是一组随机变量,X={x1,x2,...,xn}X = \{x_1, x_2,...,x_n\} 是其观测变量,我们假设Y具有马尔科夫性,则X,Y的联合概率为 P(x1,x2,...,xn,y1,y2,...,yn)=P(y1)P(x1|y1)∏i=2nP(yi|yi−1)原创 2017-11-25 22:26:20 · 301 阅读 · 0 评论