天道酬勤、 - 博客园

深度学习-目标检测（Fast R-CNN）

摘要：在SPPNet中，特征提取和区域分类是分开的，只是使用了ROI池化层进行了特征的提取，对于区域分类，仍然采用了传统的SVM分类器，Fast R-CNN相比于SPPNet，采用神经网络进行分类，这样可以同时训练特征提取网络和分类网络，从而取得比SPPNet更高的准确度。Fast R-CNN的网络结构阅读全文

posted @ 2019-05-16 12:01 天道酬勤、阅读(698) 评论(0) 推荐(0) 编辑

解释--全连接层输入大小固定

摘要：在刚接触目标检测时，学习到R-CNN时，为了使全连接层的输入大小固定，作者将卷积神经网络的输出经过warp操作，使得输入大小固定，那问题来了，为什么全连接网络的输入需要固定，而卷积神经网络的大小可以是任意的。大家都知道，，全连接神经网络结构一旦固定，需要学习的参数w是固定的，例如输入图像是 2 阅读全文

posted @ 2019-05-16 10:46 天道酬勤、阅读(3592) 评论(0) 推荐(0) 编辑

深度学习-目标检测（IOU）

摘要：交并比（Intersection-over-Union，IoU），目标检测中使用的一个概念，是产生的候选框（candidate bound）与原标记框（ground truth bound）的交叠率，即它们的交集与并集的比值。最理想情况是完全重叠，即比值为1。计算公式：附核心代码： 1 x1 = 阅读全文

posted @ 2019-05-10 09:33 天道酬勤、阅读(2348) 评论(0) 推荐(0) 编辑

深度学习-目标检测（SPPNet）

摘要： SPPNet（Spatial Pyramid Pooling Convolutional），译文：空间金字塔池化神经网络。之前R-CNN中任意大小的候选框需要转换成统一大小才能将其作为输入传到AlexNet中，而SPPNet主要任务是：将卷积神经网络的输入转化为任意尺寸，实现机制是在卷积神经网络中加阅读全文

posted @ 2019-05-09 23:22 天道酬勤、阅读(1185) 评论(0) 推荐(0) 编辑

深度学习-目标检测（R-CNN）

摘要：神经网络大多解决图像识别问题：输入一张图像，输出该对象对应的类别。目标检测输入的同样是一张图片，区别在于输出不单单是图像的类别，还有该图像中包含的所有物体以及其位置，本博文先从R-CNN讲起。说起R-CNN（Region - Cnn）,它是第一个成功的将深度学习应用到目标检测的算法。传统的目标检测阅读全文

posted @ 2019-05-09 16:01 天道酬勤、阅读(909) 评论(0) 推荐(0) 编辑

机器学习-Whitening（白化）

摘要： whitening (白化)这个词，可能在深度学习领域比较常遇到，其实whitening 是一个比PCA稍微高级一点的算法而已，所以如果熟悉PCA，那么其实会发现这是一个非常简单的算法。假设训练数据是图像，由于图像中相邻像素之间具有很强的相关性，所以用于训练时输入是冗余的；whitening （白阅读全文

posted @ 2019-04-26 15:36 天道酬勤、阅读(2000) 评论(0) 推荐(1) 编辑

Win10 将slim加入PYTHONPYTH

摘要： 1.LINUX 命令 export PYTHONPATH=$PYTHONPATH:'pwd':'pwd'/slim 2.Windows 命令 SET PYTHONPATH=%cd%;%cd%\slim 红色标志处为；阅读全文

posted @ 2019-04-09 16:14 天道酬勤、阅读(1178) 评论(0) 推荐(0) 编辑

最好用的谷歌镜像

摘要：原址：http://www.cnblogs.com/pythonClub/p/10054454.html https://kfd.me/ https://e.aigg.men/ https://scholar.uulucky.com/ https://g.vvvip.top/ （无广告，体验良好）阅读全文

posted @ 2019-03-22 15:14 天道酬勤、阅读(75128) 评论(1) 推荐(3) 编辑

tensorboard 使用

摘要： 1. 命令行定位到你所在程序的logs 2. 键入命令行，启动TensorBoard；命令行是： tensorboard --logdir=logs 回车，就自动加载。注意：最下面黄色线的那个网址，你复制网址到Chrome浏览器中就可以打开TensorBoard 阅读全文

posted @ 2019-02-21 16:18 天道酬勤、阅读(244) 评论(0) 推荐(0) 编辑

卷积神经网络--padding

摘要： 1. 当padding 为VALID时：输出宽和高的公式代码为： output_width = (input_width - filter_width + 1) / strides_width; (结果向上取整) output_height = (input_height - filter_hei 阅读全文

posted @ 2019-02-20 11:43 天道酬勤、阅读(2783) 评论(0) 推荐(0) 编辑