04 2019 档案

摘要:FPN就是所谓的金字塔结构的检测器,(Feature Pyramid Network) 把FPN融合到Faster rcnn中能够很大程度增加检测器对全图信息的认知, 在我的另一篇博客中对多尺度融合有较为详细的介绍,https://www.cnblogs.com/ywheunji/p/1102267 阅读全文
posted @ 2019-04-28 11:37 you-wh 阅读(4487) 评论(6) 推荐(1) 编辑
摘要:PyTorch常用代码段整理合集 转自:知乎 作者:张皓 众所周知,程序猿在写代码时通常会在网上搜索大量资料,其中大部分是代码段。然而,这项工作常常令人心累身疲,耗费大量时间。所以,今天小编转载了知乎上的一篇文章,介绍了一些常用PyTorch代码段,希望能够为奋战在电脑桌前的众多程序猿们提供帮助! 阅读全文
posted @ 2019-04-25 19:34 you-wh 阅读(874) 评论(0) 推荐(0) 编辑
摘要:class torch.utils.data.DataLoader(dataset, batch_size=1, shuffle=False, sampler=None, num_workers=0, collate_fn=<function default_collate>, pin_memory 阅读全文
posted @ 2019-04-22 21:16 you-wh 阅读(240) 评论(0) 推荐(0) 编辑
摘要:神经网络解决多类分类问题的本质是把原分类问题分解为一类对其他类(one-vs-all)的二类分类问题 在二分类中要把标签设置为(0,1),在多分类问题中要把标签设置为ont-hot标签,也就是(0,0,1,0)此类的格式,1表示属于某个类。 分类和回归的损失函数: 分类二分类采用binary_cro 阅读全文
posted @ 2019-04-17 09:47 you-wh 阅读(7325) 评论(0) 推荐(0) 编辑
摘要:打印出来的结果是以文本形式显示, 显示出模型的每一层是由什么层构成的,一般来说深度卷积网络是由结构类似的基本模块组成,内部参数会有区别。 查看模型结构主要是为了看在某些层执行的特别操作。 阅读全文
posted @ 2019-04-17 09:39 you-wh 阅读(17968) 评论(0) 推荐(1) 编辑
摘要:环境依赖: pytorch 0.4以上 tensorboardX: pip install tensorboardX、pip install tensorflow 在项目代码中加入tensorboardX的记录代码,生成文件并返回到浏览器中显示可视化结果。 官方示例: 默认设置是在根目录下生成一个r 阅读全文
posted @ 2019-04-15 19:42 you-wh 阅读(4071) 评论(0) 推荐(0) 编辑
摘要:前提:ubuntu+tensorflow-gpu+python3.6 各种环境提前配好 1.下载工程源码 网址:https://github.com/tensorflow/models 下载时会遇到速度过慢或中间因为网络错误停止,可以换移动网络或者用迅雷下载。 2.测试环境 先添加slim路径,每次 阅读全文
posted @ 2019-04-15 17:04 you-wh 阅读(2433) 评论(0) 推荐(0) 编辑
摘要:步骤一: 找到一个CNN分类模型 步骤二: 对于这个模型修改最后的分类层,为21类,去掉最后一个全连接层 步骤三: 根据选择性搜索提取图像的候选区域(框) 对于候选框修改大小以适应CNN输入,然后得出feature map即为提取到的特征 步骤四: 训练SVM分类器,对特定敏感区域进行分类,每个类别 阅读全文
posted @ 2019-04-15 17:02 you-wh 阅读(758) 评论(0) 推荐(0) 编辑
摘要:pytorch快速加载预训练模型参数的方式 针对的预训练模型是通用的模型,也可以是自定义模型,大多是vgg16 , resnet50 , resnet101 , 等,从官网加载太慢 直接修改源码,改为本地地址 1.直接使用默认程序里的下载方式,往往比较慢; 2.通过修改源代码,使得模型加载已经下载好 阅读全文
posted @ 2019-04-15 17:02 you-wh 阅读(5346) 评论(0) 推荐(1) 编辑
摘要:将训练好的语义分割模型保存下来,重新加载之后 通过这一个操作得到标签; 绘图的主函数在下面: 阅读全文
posted @ 2019-04-15 15:58 you-wh 阅读(2564) 评论(0) 推荐(0) 编辑
摘要:该模块融合了4种不同金字塔尺度的特征,第一行红色是最粗糙的特征–全局池化生成单个bin输出,后面三行是不同尺度的池化特征。 为了保证全局特征的权重,如果金字塔共有N个级别,则在每个级别后使用1×1 1×11×1的卷积将对于级别通道降为原本的1/N。再通过双线性插值获得未池化前的大小,最终concat 阅读全文
posted @ 2019-04-14 11:01 you-wh 阅读(6795) 评论(4) 推荐(4) 编辑
摘要:空间金字塔池化技术, 厉害之处,在于使得我们构建的网络,可以输入任意大小的图片,不需要经过裁剪缩放等操作。 是后续许多金字塔技术(psp,aspp等)的起源,主要的目的都是为了获取场景语境信息,获取上下文的联系。 如图所示,对于选择的不同大小的区域对应到卷积之后的特征图上,得到的也是大小不一致的特征 阅读全文
posted @ 2019-04-04 16:26 you-wh 阅读(4922) 评论(0) 推荐(2) 编辑

Fork me on GitHub
点击右上角即可分享
微信分享提示