摘要：
基于区域的CNN（R-CNN） Region-based CNNs (R-CNNs) 基于区域的卷积神经网络或具有CNN特征的区域（R-CNN）是一种将深度模型应用于目标检测的开创性方法。在本节中，将讨论R-CNN及其一系列改进：Fast R-CNN[Girshick，2015]、Faster R- 阅读全文
摘要：
基于Kaggle的图像分类（CIFAR-10） Image Classification (CIFAR-10) on Kaggle 一直在使用Gluon’s data package数据包直接获得张量格式的图像数据集。然而，在实际应用中，图像数据集往往以图像文件的形式存在。将从原始图像文件开始，逐步 阅读全文
摘要：
Single Shot Multibox Detection (SSD)实战（下） 2. Training 将逐步解释如何训练SSD模型进行目标检测。 2.1. Data Reading and Initialization 创建的Pikachu数据集。 batch_size = 32 train_ 阅读全文
摘要：
Single Shot Multibox Detection (SSD)实战（上） 介绍了边界框、锚框、多尺度对象检测和数据集。现在，我们将利用这些背景知识构建一个目标检测模型：单次多盒检测（SSD）。这种快速简便的模式已经被广泛应用。该模型的一些设计思想和实现细节也适用于其他对象检测模型。 1. 阅读全文
摘要：
Anchor Boxes示例实战 目标检测算法通常对输入图像中的大量区域进行采样，判断这些区域是否包含感兴趣的目标，并调整这些区域的边缘，以便更准确地预测目标的真实边界框。不同的模型可能使用不同的区域采样方法。在这里，我们介绍一种这样的方法：它生成多个大小和纵横比不同的边框，同时以每个像素为中心。这 阅读全文
摘要：
全卷积网络Fully Convolutional Networks (FCN)实战 使用图像中的每个像素进行类别预测的语义分割。全卷积网络（FCN）使用卷积神经网络将图像像素转换为像素类别。与之前介绍的卷积神经网络不同，FCN通过转置卷积层将中间层特征映射的高度和宽度转换回输入图像的大小，使得预测结 阅读全文
摘要：
目标检测数据集The Object Detection Dataset 在目标检测领域，没有像MNIST或Fashion MNIST这样的小数据集。为了快速测试模型，我们将组装一个小数据集。首先，我们使用一个开源的3D Pikachu模型生成1000张不同角度和大小的Pikachu图像。然后，我们收 阅读全文
摘要：
多尺度目标检测 Multiscale Object Detection 我们在输入图像的每个像素上生成多个锚框。这些定位框用于对输入图像的不同区域进行采样。但是，如果锚定框是以图像的每个像素为中心生成的，很快就会有太多的锚框供我们计算。例如，我们假设输入图像的高度和宽度分别为561和728像素。如果 阅读全文
摘要：
转置卷积Transposed Convolution 我们为卷积神经网络引入的层，包括卷积层和池层，通常会减小输入的宽度和高度，或者保持不变。然而，语义分割和生成对抗网络等应用程序需要预测每个像素的值，因此需要增加输入宽度和高度。转置卷积，也称为分步卷积或反卷积，就是为了达到这一目的。 from m 阅读全文
摘要：
Fine-Tuning微调原理 如何在只有60000张图片的Fashion-MNIST训练数据集中训练模型。ImageNet，这是学术界使用最广泛的大型图像数据集，它拥有1000多万幅图像和1000多个类别的对象。然而，我们经常处理的数据集的大小通常比第一个大，但比第二个小。 假设我们想在图像中识别 阅读全文