02 2019 档案

YOLO V1论文理解
摘要：摘要 作者提出了一种新的物体检测方法YOLO。YOLO之前的物体检测方法主要是通过region proposal产生大量的可能包含待检测物体的 potential bounding box，再用分类器去判断每个 bounding box里是否包含有物体，以及物体所属类别的 probability或者 阅读全文
posted @ 2019-02-28 22:37 深夜十二点三十三 阅读(1086) 评论(0) 推荐(0)
Mask R-CNN论文理解
摘要：摘要： Mask RCNN可以看做是一个通用实例分割架构。 Mask RCNN以Faster RCNN原型，增加了一个分支用于分割任务。 Mask RCNN比Faster RCNN速度慢一些，达到了5fps。 可用于人的姿态估计等其他任务； 1、Introduction 实例分割不仅要正确的找到图像 阅读全文
posted @ 2019-02-27 15:22 深夜十二点三十三 阅读(3082) 评论(0) 推荐(0)
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks论文理解
摘要：一、创新点和解决的问题 创新点 设计Region Proposal Networks【RPN】，利用CNN卷积操作后的特征图生成region proposals，代替了Selective Search、EdgeBoxes等方法，速度上提升明显； 训练Region Proposal Networks与 阅读全文
posted @ 2019-02-27 10:07 深夜十二点三十三 阅读(975) 评论(0) 推荐(0)
深度学习优化方法
摘要：梯度下降算法 梯度下降的框架主要分三种：1，全量梯度下降。每次使用全部的样本来更新模型参数，优点是收敛方向准确，缺点是收敛速度慢，内存消耗大。2，随机梯度下降。每次使用一个样本来更新模型参数，优点是学习速度快，缺点是收敛不稳定。3，批量梯度下降。每次使用一个batchsize的样本来更新模型参数，平 阅读全文
posted @ 2019-02-23 22:29 深夜十二点三十三 阅读(959) 评论(0) 推荐(0)
过拟合、欠拟合及其解决办法
摘要：1.什么是过拟合？ 过拟合（overfitting）是指在模型参数拟合过程中的问题，由于训练数据包含抽样误差，训练时，复杂的模型将抽样误差也考虑在内，将抽样误差也进行了很好的拟合。 具体表现就是最终模型在训练集上效果好；在测试集上效果差。模型泛化能力弱。 2、产生过拟合根本原因： （1）观察值与真实 阅读全文
posted @ 2019-02-23 20:37 深夜十二点三十三 阅读(11096) 评论(0) 推荐(1)
深度学习中的正则化
摘要：正则化方法有如下几种： 一、参数范数惩罚 其中L2、L1参数正则化介绍与关系如下 1、L2 参数正则化 直观解释如下： 2、L1 参数正则化 二、获取更多数据（扩样本） 避免过拟合的基本方法之一是从数据源获得更多数据，当训练数据有限时，可以通过数据增强（data augmentation）变换原有的 阅读全文
posted @ 2019-02-23 20:14 深夜十二点三十三 阅读(1457) 评论(0) 推荐(0)
BN层
摘要：论文名字：Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift 论文地址：https://arxiv.org/abs/1502.03167 BN被广泛应用于深度学习的各 阅读全文
posted @ 2019-02-23 20:13 深夜十二点三十三 阅读(6145) 评论(0) 推荐(0)
一些图像数据数据扩充（扩样本）方法
摘要：避免过拟合的基本方法之一是从数据源获得更多数据，当训练数据有限时，可以通过数据增强（data augmentation）变换原有的数据生成新的数据来扩大训练集。即使拥有大量数据，进行数据增强也是有必要的，因为可以防止神经网络学习到不相干的模式，从根本上提升整体性能。还要注意在使用增强技术的同时，必须 阅读全文
posted @ 2019-02-23 16:46 深夜十二点三十三 阅读(12297) 评论(0) 推荐(0)
维度灾难与过拟合（转）
摘要：一、介绍 本篇文章，我们将讨论所谓的“维度灾难”，并解释在设计一个分类器时它为何如此重要。在下面几节中我将对这个概念进行直观的解释，并通过一个由于维度灾难导致的过拟合的例子来讲解。 考虑这样一个例子，我们有一些图片，每张图片描绘的是小猫或者小狗。我们试图构建一个分类器来自动识别图片中是猫还是狗。要做 阅读全文
posted @ 2019-02-23 15:47 深夜十二点三十三 阅读(733) 评论(0) 推荐(0)
梯度弥散和梯度爆炸
摘要：一、现象介绍 靠近输出层的hidden layer 梯度大，参数更新快，所以很快就会收敛； 而靠近输入层的hidden layer 梯度小，参数更新慢，几乎就和初始状态一样，随机分布。 这种现象就是梯度弥散（vanishing gradient problem）。 而在另一种情况中，前面layer的 阅读全文
posted @ 2019-02-23 15:11 深夜十二点三十三 阅读(2440) 评论(0) 推荐(0)
Fast R-CNN论文理解
摘要：论文地址：https://arxiv.org/pdf/1504.08083.pdf 翻译请移步：https://blog.csdn.net/ghw15221836342/article/details/79549500 背景问题： 1、R-CNN网络训练、测试速度都很慢：R-CNN网络中，一张图经由 阅读全文
posted @ 2019-02-23 11:49 深夜十二点三十三 阅读(478) 评论(0) 推荐(0)
深度学习激活函数们
摘要：1. 激活函数作用 如下图，在神经元中，输入的 inputs 通过加权，求和后，还被作用了一个函数，这个函数就是激活函数 Activation Function。 如果不用激励函数，每一层输出都是上层输入的线性函数，无论神经网络有多少层，输出都是输入的线性组合。如果使用的话，激活函数给神经元引入了非 阅读全文
posted @ 2019-02-23 10:30 深夜十二点三十三 阅读(2829) 评论(0) 推荐(0)
反向传播算法推导
摘要：一、MSE 损失函数推导 前向传播过程： 梯度反向传播公式推导： 定义残差： 则 残差推导如下： 对于最后一层： 广义上，左边项（-（···））是定义的损失函数对其输入（即最后一层神经元值）的导数，右项是sigmoind求导，这两项都是根据实际使用可以替换的。 对于隐藏层： 若去掉下标i，则有 其中 阅读全文
posted @ 2019-02-23 09:18 深夜十二点三十三 阅读(2174) 评论(0) 推荐(0)
SPP Net（Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition）论文理解
摘要：论文地址：https://arxiv.org/pdf/1406.4729.pdf 论文翻译请移步：http://www.dengfanxin.cn/?p=403 一、背景： 传统的CNN要求输入图像尺寸是固定的（因为全连接网络要求输入大小是固定的） crop处理，可能不包含整个物体，还会丢失上下文信 阅读全文
posted @ 2019-02-22 11:26 深夜十二点三十三 阅读(419) 评论(0) 推荐(0)
R-CNN（Rich feature hierarchies for accurate object detection and semantic segmentation）论文理解
摘要：论文地址：https://arxiv.org/pdf/1311.2524.pdf 翻译请移步： https://www.cnblogs.com/xiaotongtt/p/6691103.html https://blog.csdn.net/v1_vivian/article/details/7859 阅读全文
posted @ 2019-02-22 09:26 深夜十二点三十三 阅读(317) 评论(0) 推荐(0)