随笔分类 - 26.DL
摘要：网络的输出有置信度和bbox的位置。根据这两个的综合评价得到一个准确的指标：ap，map。 参考：https://blog.csdn.net/qq_35916487/article/details/89076570 根据不同的置信度阈值得到多组precision和recal序列。根据不同的p-r值画
阅读全文
摘要：树模型和神经网络，像一枚硬币的两面。在某些情况下，树模型的性能甚至优于神经网络。 由于神经网络的复杂性，它们常常被认为是解决所有机器学习问题的「圣杯」。而另一方面，基于树的方法并未得到同等重视，主要原因在于这类算法看起来很简单。然而，这两种算法看似不同，却像一枚硬币的正反面，都很重要。 树模型 VS
阅读全文
摘要：FPS就是目标网络每秒可以处理（检测）多少帧(多少张图片),FPS简单来理解就是图像的刷新频率，也就是每秒多少帧,假设目标检测网络处理1帧要0.02s，此时FPS就是1/0.02=50。 mAP 预测框和测试集中的真实框的IOU检测大于阈值，就判定这个框框和目标为TP即分类正确的正样本,其他的预测结
阅读全文
摘要：符号构架 符号计算构架（如 CNTK，MXNET，TensorFlow，Theano）被定义为一个向量运算符的符号图，例如矩阵的加法/乘法或卷积。一个层仅是这些运算符的组合。构造块（运算符）良好的粒度允许用户在不需要在低级语言（如 Caffe）中实现的情况下，开发新的复杂层类型。 在我的工作中，我使
阅读全文
摘要：一文看懂线性回归和非线性回归 1. 非线性回归 2. 线性回归 3. 总结1. 非线性回归我们首先来看维基百科中对于非线性回归的定义：In statistics, nonlinear regression is a form of regression analysis in which obser
阅读全文
摘要：人脸检测-Haar级联 概述 ✔️ Haar 级联检测器，OpenCV 中的 Haar 级联检测器支持人脸检测、微笑、眼睛与嘴巴检测等，通过加载这些预先训练的 Haar 模型数据可以实现相关的对象检测。 Haar特征 ✔️ Haar 小波基函数，因为其满足对称性，因此对人脸这种生物对称性良好的对象特
阅读全文
摘要：要想了解caffe生成的caffemodel文件里的内容，我们就需要解析.caffemodel文件（caffemodel里不仅存储了权重和偏置等信息，还存储了整个训练网络的结构信息，即.prototxt信息，当然solver.prototxt信息是看不见的）。1.单独查看要是只是想看看权重信息正不正
阅读全文
摘要：sudo apt-get install 安装的package存放在 /usr/lib/python2.7/dist-packages目录中 pip 或者 easy_install安装的package存放在/usr/local/lib/python2.7/dist-packages目录中 手动从源代
阅读全文
摘要：1.FPS 是图像领域中的定义bai： FPS （Frames Per Second）：每秒传输帧数（考察实时性）。 Frames Per Second更确切的解释是“每秒钟填充图像的帧数（帧/秒）”。 FPS 是测量用于保存、显示动态视频的信息数量。通俗来讲就是指动画或视频的画面数。例如在电影视频
阅读全文
摘要：CPU 和 GPU GPU（图像处理器，Graphics Processing Unit）和CPU（中央处理器，Central Processing Unit）在设计上的主要差异在于GPU有更多的运算单元（如图中绿色的ALU），而Control和Cache单元不如CPU多，这是因为GPU在进行并行计
阅读全文
摘要：IoU是两个区域重叠的部分除以两个区域的集合部分得出的结果，通过设定的阈值，与这个IoU计算结果比较。 交集/并集 举例如下：绿色框是准确值，红色框是预测值。
阅读全文
摘要：在网络结构的设计上，经常说DenseNet和Inception中更多采用的是concatenate操作，而ResNet更多采用的add操作，那么这两个操作有什么异同呢？ concatenate操作是网络结构设计中很重要的一种操作，经常用于将特征联合，多个卷积特征提取框架提取的特征融合或者是将输出层的
阅读全文
摘要：http://blog.sina.com.cn/s/blog_4a1853330102w2en.html http://blog.csdn.net/oppoa113/article/details/22102103 正则化，归一化（标准化和正规化）：对数据进行预处理的两种方式，目的是让数据更便于计算
阅读全文
摘要：首先，写这个文档的原因是因为我转载了一篇文章，不会编辑。擦。。。。 1. 首先收输入层是毛东西？ 就是输入的图像，有可能是三通道的有可能是单通道的。 比如28*28*1或者28*28*3 分别代表的是大小为28*28，通道数分别为单通道和三通道的图片 2. 其次，什么是filter呢 filter的
阅读全文
摘要：第一种上采样：第二种上采样：第三种上采样：第四种上采样：其中第四种是一个反卷积的过程：如上图输入时一个22的图像，核是一个44的矩阵，该式子采用步长为3，对其进行反卷积，重叠部分进项相加。
阅读全文
摘要：padding有两种可选值：‘VALID’和‘SAME’。(源图像边缘的填充，填充值：0) 取值为‘VALID’时padding=0，并不会对输入(input)做填充； 取值为‘SAME’时padding>0，将会对输入(input)做填充，填充值都是0值。 卷积 tf.nn.conv2d(inpu
阅读全文
摘要：缩小图像（或称为下采样（subsampled）或降采样（downsampled））的主要目的有两个：1、使得图像符合显示区域的大小；2、生成对应图像的缩略图。放大图像（或称为上采样（upsampling）或图像插值（interpolating））的主要目的是放大原图像,从而可以显示在更高分辨率的显示
阅读全文
摘要：这个教程是我在自己学习的过程中写的，当作一个笔记，写的比较详细在github上下载yolov3的tensorflow1.0版本：https://github.com/YunYang1994/tensorflow-yolov3在19年12月，发现网上训练的教程大部分似乎已经过时了，因为作者对开源代码进
阅读全文
摘要：作者的话：这是一个安装记录，还不敢称为教程。之前安装tensorflow饶了很多弯子，所以在结合了很多教程之后，慢慢试错和结合自己理解猜测才安装成功。因此可能一些术语或者步骤原因解释不清或者不正确，希望多多包涵以及欢迎指正。 ubuntu16.04.1 LTS \ win8.1 双系统 4G内存、[
阅读全文
摘要：因为这周要做ppt，只阅读yolov3的文章感觉还是不够，故作此次记录去比较yolo发展的不同，加强记忆辣。 一.网络结构的不同 图1 YOLOv1的网络架构，24卷积层+2FC（全连接层）图2 YOLOv2的网络架构，22卷积层，global average pooling替代了FC（全连接层）图
阅读全文
