2019年3月1日
YOLO V3论文理解
摘要： YOLO3主要的改进有：调整了网络结构；利用多尺度特征进行对象检测；对象分类用Logistic取代了softmax。 1.Darknet-53 network在论文中虽然有给网络的图，但我还是简单说一下。这个网络主要是由一系列的1x1和3x3的卷积层组成（每个卷积层后都会跟一个BN层和一个Leaky 阅读全文
posted @ 2019-03-01 16:59 深夜十二点三十三 阅读(3116) 评论(0) 推荐(0) 编辑
YOLO V2论文理解
摘要： 概述 YOLO（You Only Look Once: Unified, Real-Time Object Detection）从v1版本进化到了v2版本，作者在darknet主页先行一步放出源代码，论文在我们等候之下终于在12月25日发布出来。 新的YOLO版本论文全名叫“YOLO9000: Be 阅读全文
posted @ 2019-03-01 16:10 深夜十二点三十三 阅读(1375) 评论(0) 推荐(0) 编辑
SSD论文理解
摘要： SSD论文贡献： 1. 引入了一种单阶段的检测器，比以前的算法YOLO更准更快，并没有使用RPN和Pooling操作； 2. 使用一个小的卷积滤波器应用在不同的feature map层从而预测BB的类别的BB偏差； 3. 可以在更小的输入图片中得到更好的检测效果（相比Faster-rcnn）； 4. 阅读全文
posted @ 2019-03-01 14:44 深夜十二点三十三 阅读(542) 评论(0) 推荐(0) 编辑
2019年2月28日
YOLO V1论文理解
摘要： 摘要 作者提出了一种新的物体检测方法YOLO。YOLO之前的物体检测方法主要是通过region proposal产生大量的可能包含待检测物体的 potential bounding box，再用分类器去判断每个 bounding box里是否包含有物体，以及物体所属类别的 probability或者 阅读全文
posted @ 2019-02-28 22:37 深夜十二点三十三 阅读(1040) 评论(0) 推荐(0) 编辑
2019年2月27日
Mask R-CNN论文理解
摘要： 摘要： Mask RCNN可以看做是一个通用实例分割架构。 Mask RCNN以Faster RCNN原型，增加了一个分支用于分割任务。 Mask RCNN比Faster RCNN速度慢一些，达到了5fps。 可用于人的姿态估计等其他任务； 1、Introduction 实例分割不仅要正确的找到图像 阅读全文
posted @ 2019-02-27 15:22 深夜十二点三十三 阅读(2985) 评论(0) 推荐(0) 编辑
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks论文理解
摘要： 一、创新点和解决的问题 创新点 设计Region Proposal Networks【RPN】，利用CNN卷积操作后的特征图生成region proposals，代替了Selective Search、EdgeBoxes等方法，速度上提升明显； 训练Region Proposal Networks与 阅读全文
posted @ 2019-02-27 10:07 深夜十二点三十三 阅读(927) 评论(0) 推荐(0) 编辑
2019年2月23日
深度学习优化方法
摘要： 梯度下降算法 梯度下降的框架主要分三种：1，全量梯度下降。每次使用全部的样本来更新模型参数，优点是收敛方向准确，缺点是收敛速度慢，内存消耗大。2，随机梯度下降。每次使用一个样本来更新模型参数，优点是学习速度快，缺点是收敛不稳定。3，批量梯度下降。每次使用一个batchsize的样本来更新模型参数，平 阅读全文
posted @ 2019-02-23 22:29 深夜十二点三十三 阅读(929) 评论(0) 推荐(0) 编辑
过拟合、欠拟合及其解决办法
摘要： 1.什么是过拟合？ 过拟合（overfitting）是指在模型参数拟合过程中的问题，由于训练数据包含抽样误差，训练时，复杂的模型将抽样误差也考虑在内，将抽样误差也进行了很好的拟合。 具体表现就是最终模型在训练集上效果好；在测试集上效果差。模型泛化能力弱。 2、产生过拟合根本原因： （1）观察值与真实 阅读全文
posted @ 2019-02-23 20:37 深夜十二点三十三 阅读(10798) 评论(0) 推荐(1) 编辑
深度学习中的正则化
摘要： 正则化方法有如下几种： 一、参数范数惩罚 其中L2、L1参数正则化介绍与关系如下 1、L2 参数正则化 直观解释如下： 2、L1 参数正则化 二、获取更多数据（扩样本） 避免过拟合的基本方法之一是从数据源获得更多数据，当训练数据有限时，可以通过数据增强（data augmentation）变换原有的 阅读全文
posted @ 2019-02-23 20:14 深夜十二点三十三 阅读(1341) 评论(0) 推荐(0) 编辑
BN层
摘要： 论文名字：Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift 论文地址：https://arxiv.org/abs/1502.03167 BN被广泛应用于深度学习的各 阅读全文
posted @ 2019-02-23 20:13 深夜十二点三十三 阅读(6013) 评论(0) 推荐(0) 编辑