摘要：
层、输入数据、损失函数和优化器四者关系可视化： 3.1.1层：深度学习的基础组件 神经网络的基本数据结构是层。层是一个数据处理模块，将一个或多个输入张量转换为一个或多个输出张量。有些层是无状态的，但大多数的层是有状态的，即层的权重。权重是利用随机梯度下降学到的一个或多个张量，其中包含网络的知识。 不 阅读全文
摘要：
1.机器学习的分类 大致可分为两类：监督学习和强化学习 2.监督学习分类（根据数据标签存在与否） 1）传统的监督学习：每一个训练数据都有相应的标签，比如支持向量机、人工神经网络、深度神经网络。 2）非监督学习：所有训练数据都没有对应的标签。比如聚类、EM算法、主成分分析 3）半监督学习：训练数据中一 阅读全文
摘要：
1.什么是机器学习 Arthur samuel:机器学习是这样的领域，它赋予计算机学习的能力，（这种学习能力）不是通过显著式编程获得的。 Machine Learning is Fields of study that give computers the ability to learn with 阅读全文
摘要：
微小目标检测的FPN有效融合因子 摘要：基于FPN的检测器在一般物体检测方面取得了显著的进步，例如MS COCO和PASCAL VOC。然而，这些检测器在某些应用场景中会失败，例如微小物体检测。在本文中，我们认为FPN相邻层之间的自上而下的连接对微小物体的检测带来了双重影响，不仅是正面的。我们提出了 阅读全文
摘要：
step1:输入数据 from keras.datasets import mnist (train_images, train_labels), (test_images, test_labels) = mnist.load_data() train_images = train_images.r 阅读全文
摘要：
每一个神经层都用下述方法对输入数据进行变换： output = relu(dot(w, input) + b ) 在这个表达式中，W 和 b 都是张量，均为该层的属性。它们被称为该层的权重（weight）或可训练参数（trainable parameter），分别对应 kernel 和 bias 属 阅读全文
摘要：
面向任意目标检测的动态锚点学习 摘要：面向任意的目标广泛地出现在自然场景、航空照片、遥感图像等中，因此面向任意的目标检测得到了广泛的关注。目前许多旋转探测器使用大量不同方向的锚点来实现与地面真实框的空间对齐。然后应用交叉-并集(IoU)对正、负候选样本进行训练。但是，我们观察到，选择的正锚点回归后并 阅读全文
摘要：
小物体检测的增强 摘要：在近些年来，目标检测已经有了长足的进步。尽管有很大改进，但是在小目标和大目标检测性能方面还是有巨大的差距。我们在具有挑战性的数据集MS-COCO上分析了目前性能最好的模型Mask-RCNN。我们发现小目标真实框和预测框的重叠部分远远小于希望的IOU临界值。我们猜测这是由于两个 阅读全文
摘要：
神经网络学到的所有变换都可以简化为数值数据张量上的一些张量计算。 keras.layers.Dense(512, activation='relu') 这个层可以理解为一个函数，输入一个 2D 张量，返回另一个 2D 张量，即输入张量的新表示。具体而言，这个函数如下所示（其中 W 是一个 2D 张量 阅读全文
摘要：
首先我是一名在校研究生，目前主要研究方向为目标检测。 欢迎关注我的CSDN博客心系五道口，也希望大家关注这个博客园账号 有任何问题，可通过邮箱2395856915@qq.com与我交流联系，谢谢大家 阅读全文