摘要：论文Fully Convolutional Networks for Semantic Segmentation 是图像分割的milestone论文。 GitHub - shelhamer/fcn.berkeleyvision.org: Fully Convolutional Networks fo 阅读全文

摘要：提出于FCN。 如果将全卷积之后的结果直接上采样得到的结果是很粗糙的，所以将不同池化层的结果进行上采样之后来优化输出： 不同上采样结构得到的结果对比举例如下（FCN）： 也可以将pool1， pool2的输出再上采样输出。但作者说了这样得到的结果提升并不大。（实际实验过发现也确实是这样的！） 阅读全文

摘要：目标检测任务的损失函数由 Classificition Loss 和 Bounding Box Regeression Loss 两部分构成。本文介绍目标检测任务中近几年来Bounding Box Regression Loss Function的演进过程，其演进路线是Smooth L1 Loss  阅读全文

摘要：特征融合的目的，是把从图像中提取的特征，合并成一个比输入特征更具有判别能力的特征。如何正确融合特征是一个难题。 在很多工作中，融合不同尺度的特征是提高分割性能的一个重要手段。低层特征分辨率更高，包含更多位置、细节信息，但是由于经过的卷积更少，其语义性更低，噪声更多。高层特征具有更强的语义信息，但是分 阅读全文

摘要：本文将介绍一种新提出的坐标注意力机制，这种机制解决了SE，CBAM上存在的一些问题，产生了更好的效果，而使用与SE，CBAM同样简单。 论文地址： https://arxiv.org/pdf/2103.02907.pdf 代码地址： https://github.com/AndrewQibin/Co 阅读全文

摘要：SE模块（Squeeze-and-Excitation） SENet: SENet网络的创新点在于关注channel之间的关系，希望模型可以自动学习到不同channel特征的重要程度。为此，SENet提出了Squeeze-and-Excitation (SE)模块。 SE模块首先对卷积得到的特征图进 阅读全文

摘要：重点是建立好input 建立好output 其中input 和 output是 关联的 多输入情况： 该model中间产生分叉：两个输入，两个flatten ，concatenta合并，最后变成一个dense 概率输出 阅读全文

摘要： 阅读全文

摘要：从一层增加到三层 ，增加网络层数越多可能会造成过拟合 原来： 后来： 增加网络拟合能力，能够增加数据的准确程度。模型拟合能力过分增加，模型可能过拟合 结果： 随着训练 train数据一直在下降，但是在val_loss在某点不但没有下降反而上升了(因为后面一段产生了过拟合) 阅读全文

摘要：找山坡最低点 向着梯度方向走：最陡峭的方向，切点的方向 梯度下降算法：沿着梯度的反方向走 如果步长太大，很可能做过最优解 阅读全文

摘要：Sigmoid函数：Sigmoid函数_百度百科 (baidu.com) 比方说 测试是否为猫; 最后结果越接近为1则，是猫的概率越大 利用log函数：距离1越近 绝对值越小 神经网络最后一层就是 softmax 阅读全文

摘要：损失函数值越大，分类效果越差’ 损失函数越小，分类效果越好 定义分类结果的好坏 利用权重参数 Sigmoid函数 机器学习之sigmoid函数 - 简书 (jianshu.com) 阅读全文

摘要：线性分类; 指定图像中哪些像素点重要，哪些不重要 f(x,W)=Wx +b(偏置项) 将三维的像素值转换成向量：需要知道每一个像素点的重要程度 例如：[32*32*3] 3072个像素点，需要有3072个权重参数。 权重参数矩阵->得分值 本质都是要优化 W和b 利用损失函数 得出 模型的差距大小 阅读全文

摘要：一张图片有可以被表示为三维数组的形式，每个像素值从0到255 图像属性：染色通道 。 彩色图有三个：r,g,b。 黑白图有一个染色通道。例如某图片：300*100*3，值越大越黑。(图像是三维的 H*W*C) 对图片处理面对的挑战：光照角度，光照强度，形状改变，部分遮蔽，背景混入 机器学习常规套路： 阅读全文

摘要：1、安装python 2.配置anaconda 环境 3.打开 jupyter方式： 3.1 安装jupyter 3.2利用anaconda 命令行：进入jupyter想要保存的文件夹之后：使用命令： jupyter notebook 阅读全文