随笔分类 -  深度学习

摘要：//之后有时间补 1.使用LSTM的思想 2.首先抽取出特征，在每层里使用 阅读全文

摘要：多尺度的attention机制 阅读全文

摘要：1.首先使用了一个网络进行初步预测（文章中命名为Bottom-Up CNN) 2.使用一个网络来抽取之前Botton_Up CNN的特征（具体怎么训练的还没看） 3.对于top-Down CNN抽取出的特征进行融合，得到最后的网络 总体网络结构： 阅读全文

摘要：1.模型结构 改进之处： 2.损失函数 使用SSIM对图片的相似度进行度量，从而产生一个新的loss分量，对于两个分量进行加权得到最后的Loss。 阅读全文

摘要：Fast RCNN: 出现原因： RCNN在对每个选择区域都要进行前向传播，耗时比较多 改进： 提出POIPool（兴趣区域池化） 所有区域进行一次前向传播 阅读全文

摘要： 阅读全文

摘要：RCNN选择性搜索（Selective Search） 基于： 1）图片大小 2）颜色 3）纹理 4）附件 算法一：分组分类算法 输入：（图层颜色）图片 输出：对象位置假设集L Obtain initial regions R = {r1,··· ,rn} using [13] Initialise 阅读全文