mango1698

摘要： 语义分割将图片中的每个像素分类到对应的类别 应用：路面分割 vs 实例分割： 语义分割中最重要的数据集之一是：Pascal VOC2012 阅读全文

摘要： 文章目录 1. SSD介绍2. SSD网络整体结构3. 特征提取模块 1. SSD介绍 计算机确定图像中一个物体的位置需要四个参数：中心点的x轴、y轴坐标、框的高和宽。 当一张图片被传入SSD的网络中时，图片首先会被调整为300*300的大小。为了防止失真，其会在图片的边缘加上灰条。 之后SSD会将 阅读全文

摘要： 文章目录 1. 目标检测算法分类2. 区域卷积神经网络2.1 R-CNN2.2 Fast R-CNN2.3 Faster R-CNN2.4 Mask R-CNN2.5 速度和精度比较 3. 单发多框检测（SSD）4. YOLO 1. 目标检测算法分类 目标检测算法主要分两类：One-Stage与Tw 阅读全文

摘要： 文章目录 1. 目标检测2. 锚框3. IoU - 交并比4. 赋予锚框标号5. 使用非极大值抑制（NMS）输出 1. 目标检测 物体检测（目标检测）是计算机视觉和数字图像处理的热门方向，意在判断一幅图像上是否存在感兴趣物体，并给出物体分类及位置等（What and Where）。本文主要进行物体检 阅读全文

摘要： 什么是与训练和微调？ 你需要搭建一个网络模型来完成一个特定的图像分类的任务。首先，你需要随机初始化参数，然后开始训练网络，不断调整参数，直到网络的损失越来越小。在训练的过程中，一开始初始化的参数会不断变化。当你觉得结果很满意的时候，你就可以将训练模型的参数保存下来，以便训练好的模型可以在下次执行类似 阅读全文

摘要： 增加一个已有数据集，使得有更多的多样性 在语言里面加入各种不同的背景噪音改变图片的颜色和形状 翻转 左右翻转上下翻转 但是并不总是可行的。 切割 从图片中切割一块，然后变形到固定形状 随机高宽比随机大小随机位置 颜色 改变色调、饱和度、明亮度。 总结： 数据增强通过变形数据来获取多样性从而使得模型泛 阅读全文

摘要： ResNet是一种残差网络，咱们可以把它理解为一个子网络，这个子网络经过堆叠可以构成一个很深的网络。 我们一直在加深神经网络，但是加深不一定只会带来好处。 残差块 串联一个层改变函数类，我们希望能扩大函数类残差块加入快速通道来得到 f ( x ) = x + g ( x ) f(x)=x+g(x) 阅读全文

摘要： 批量归一化（Batch Normalization），由Google于2015年提出，是近年来深度学习（DL）领域最重要的进步之一。该方法依靠两次连续的线性变换，希望转化后的数值满足一定的特性（分布），不仅可以加快了模型的收敛速度，也一定程度缓解了特征分布较散的问题，使深度神经网络（DNN）训练更快 阅读全文

摘要： GoogLeNet是google推出的基于Inception模块的深度神经网络模型，在2014年的ImageNet竞赛中夺得了冠军，在随后的两年中一直在改进，形成了Inception V2、Inception V3、Inception V4等版本。 Inception块 4个路径从不同层面抽取信息， 阅读全文

摘要： 网络中的网络，NIN。 AlexNet和VGG都是先由卷积层构成的模块充分抽取空间特征，再由全连接层构成的模块来输出分类结果。但是其中的全连接层的参数量过于巨大，因此NiN提出用1*1卷积代替全连接层，串联多个由卷积层和“全连接”层构成的小网络来构建⼀个深层网络。 AlexNet和VGG对LeNet 阅读全文