卡尔曼滤波：再也不用瑟瑟发抖了
摘要：
本文来自公众号“AI大道理” 这里既有AI，又有大道理。 —————— 目标跟踪中，在数据关联后往往要进行卡尔曼滤波。 数据关联算法得到了每个目标的观测数据。 卡尔曼滤波使用关联的观测数据来估计目标的状态，并预测目标的未来位置和速度等信息。 目标跟踪过程中，测量数据通常会受到各种噪声的影响，例如传感 阅读全文
posted @ 2023-07-17 22:35 AI大道理 阅读(503) 评论(0) 推荐(0)
目标跟踪基础：数据关联算法
摘要：
本文来自公众号“AI大道理” —————— 数据关联是多目标跟踪任务中的关键步骤，其目的主要是为了进行帧与帧之间的多个目标的匹配。 添加图片注释，不超过 140 字（可选） 1、数据关联 数据关联其实就是一个沿着时间轴，将来自同一个物体的不同时刻的信号串联起来的过程。 数据关联通常在状态估计之前 阅读全文
posted @ 2023-07-12 21:47 AI大道理 阅读(839) 评论(0) 推荐(0)
目标跟踪基础：距离度量
摘要：
本文来自公众号“AI大道理” —————— 距离度量在CV 、NLP以及数据分析等领域都有众多的应用。距离度量可以当做某种相似度，距离越近，越相似。在目标跟踪领域中，需要判断目标之间的距离或相似度，从而判断前后帧的目标是否是同一个目标。 添加图片注释，不超过 140 字（可选） 1、距离 常见距 阅读全文
posted @ 2023-07-08 21:36 AI大道理 阅读(157) 评论(0) 推荐(0)
目标跟踪基础：两张图片相似度算法
摘要：
本文来自公众号“AI大道理” —————— 目标跟踪就是在时序帧中搜索目标的过程，本质上就是检索。 不管是传统的目标跟踪中的生成模型和判别模型，还是用深度学习来做目标跟踪，本质上都是来求取目标区域与搜索区域的相似度，这就是典型的多输入。 目标跟踪为什么需要相似度？ 在跟踪中，下一帧的目标要和上一帧的 阅读全文
posted @ 2023-07-05 22:21 AI大道理 阅读(2840) 评论(0) 推荐(0)
孪生网络：图片相似度对比神器
摘要：
本文来自公众号"AI大道理" —————— Siamese Network（孪生网络）很早就被发明了，它的作者是著名的卷积神经网络LeNet-5的作者LeCun。最早用来从相似图片数据集上学习图片表示的网络结构就是siamese网络。两幅图通过两个共享权重的CNN得到各自的表示，而各自表示的距离决定 阅读全文
posted @ 2023-07-05 22:08 AI大道理 阅读(822) 评论(0) 推荐(0)
模型剪枝：Network Slimming剪枝实战
摘要：
本文来自公众号“AI大道理” Network Slimming剪枝是比较广泛的一种模型剪枝方法，作者来自清华大学、英特尔中国实验室、复旦大学和科内尔大学。 添加图片注释，不超过 140 字（可选） 1、Network Slimming剪枝理论 Network Slimming剪枝是结 阅读全文
posted @ 2023-07-05 22:07 AI大道理 阅读(399) 评论(0) 推荐(0)
模型剪枝：给模型剪个头发
摘要：
本文来自公众号“AI大道理”。 深度学习网络模型从卷积层到全连接层存在着大量冗余的参数，大量神经元激活值趋近于0，将这些神经元去除后可以表现出同样的模型表达能力，这种情况被称为过参数化，而对应的技术则被称为模型剪枝。 网络一般是over-parameterized参数过多的，有冗余的权重和神经元 阅读全文
posted @ 2023-07-05 22:06 AI大道理 阅读(420) 评论(0) 推荐(0)
论文解读：Siamese Network
摘要：
本文来自公众号“AI大道理” —————— 论文原文： http://yann.lecun.com/exdb/publis/pdf/chopra-05.pdf 很多园区楼下都有人脸识别的机器，然后智能的为你开门。 实现这样的功能需要将你本人的一张图片输入到系统中，接下来就可以识别出你是不是在系统 阅读全文
posted @ 2023-07-05 22:03 AI大道理 阅读(137) 评论(0) 推荐(0)
论文翻译系列-Network Slimming
摘要：
本文来自公众号“AI大道理”。 本文是2017年发表在计算机视觉领域顶会ICCV的一篇文章，是引用比较广泛的一种模型剪枝方法，作者来自清华大学、英特尔中国实验室、复旦大学和科内尔大学。 论文原文： https://arxiv.org/pdf/1708.06519.pdf （AI大道理：Netwo 阅读全文
posted @ 2023-06-01 21:55 AI大道理 阅读(127) 评论(0) 推荐(0)
一个有趣的问题：卷积和池化能否相互代替？
摘要：
本文来自公众号“AI大道理” 卷积和池化层在神经网络中非常常见。 正因为习以为常，所以容易让人误以为是必不可少的。 那么卷积能代替池化吗？ 池化又能否代替卷积呢？ 要想回答这个问题，必须深究其本质，才能看清楚他们是否不可获取，以及缺了会怎么样。 编辑 1、卷积的本质 卷积是一种运算，特征图与卷 阅读全文
posted @ 2023-06-01 17:05 AI大道理 阅读(307) 评论(0) 推荐(0)
浙公网安备 33010602011771号
