随笔分类 - 研究生
摘要：RPN（Region Proposal Network）网络是目标检测算法 Faster R - CNN 中的关键组件，它的提出有效解决了传统目标检测方法中区域建议生成速度慢的问题。下面为你详细介绍：结构:共享卷积层：通常使用预训练的卷积神经网络（如 VGG、ResNet 等）对输入图像进行特征提取
阅读全文
摘要：Feature Map（特征映射）是卷积神经网络（CNN）中一个重要的概念，它指的是在卷积神经网络中，通过卷积操作从输入图像中提取的特征图。 Feature Map描述了输入数据中不同位置的不同特征是否被激活。不同的卷积核都可以学习并提取不同的特征，例如边缘、纹理、颜色等。 而且，一个卷积层通常包含
阅读全文
摘要：验证集不直接用于调整模型参数，但它对模型参数的调整有间接作用。 验证集主要用于在模型训练过程中评估模型性能，帮助确定最佳超参数。例如，通过观察验证集上的损失值、准确率等指标，判断模型是否过拟合或欠拟合，进而调整超参数，如学习率、正则化系数、网络结构等。超参数的调整会影响模型训练过程中参数更新的方式和
阅读全文
摘要：梯度消失（Vanishing Gradient）和梯度爆炸（Exploding Gradient）是深度学习中训练神经网络时可能遇到的两个主要问题，它们都与网络中梯度（即损失函数关于网络参数的导数）的行为有关。 梯度（Gradient）是多变量函数在某一点处的变化率，它是一个向量，指向函数增长最快的
阅读全文
摘要：利用 Mixup、Mosaic 和 Getrandom 对数据集进行扩增 在机器学习和深度学习中，数据扩增（Data Augmentation）是一种常用的技术，用于增加训练数据的多样性，从而提高模型的泛化能力。以下是如何利用 Mixup、Mosaic 和 Getrandom 三种方式对数据集进行扩
阅读全文
摘要：SSD（Single Shot MultiBox Detector） 是一种高效的目标检测算法，由 Wei Liu 等人在 2016 年提出。SSD 的核心思想是通过单次前向传播同时完成目标的定位和分类，从而实现快速且准确的目标检测。它结合了多尺度特征图和默认框（Default Boxes）的设计，
阅读全文
摘要：1. 获取损失值 在训练过程中，损失值可以通过训练循环中的损失函数计算得到。以下是一个简化的代码示例： Python复制 import torch import torch.optim as optim from torchvision.models.detection import fasterr
阅读全文
摘要：Caffe（Convolutional Architecture for Fast Feature Embedding）是一个开源的深度学习框架，由加州大学伯克利分校的贾扬清博士创建。它主要专注于卷积神经网络（CNN），广泛应用于计算机视觉任务，如图像分类、目标检测和图像分割。 Caffe 的特点
阅读全文
摘要：ResNet（Residual Network，残差网络）是一个通用的深度学习架构，而ResNet-50是ResNet架构的一个具体实现，拥有50层深的网络结构。它们之间的主要区别在于网络的深度和具体的层结构。 ResNet ResNet是一种深度卷积神经网络架构，由微软研究院的Kaiming He
阅读全文
摘要：VGG（Visual Geometry Group）是由牛津大学的视觉几何组在2014年提出的一种深度卷积神经网络架构。VGG网络以其简单而深厚的结构而著称，特别是VGG16和VGG19，广泛应用于图像分类、目标检测等计算机视觉任务。 1. VGG 网络架构 VGG网络的核心特点是使用多个小卷积滤波
阅读全文
摘要：Selective Search 是一种用于目标检测的区域建议算法，旨在快速生成图像中可能包含目标的候选区域。它通过图像分割和区域合并的方法，有效地减少了候选区域的数量，同时提高了目标检测的召回率。 1. Selective Search 的工作原理 Selective Search 的核心思想是基
阅读全文
摘要：感受野（Receptive Field） 是深度学习中卷积神经网络（CNN）的一个重要概念，它指的是网络中每个神经元能够感知到的输入图像区域的大小。感受野越大，神经元能够感知到的上下文信息就越多，这对于理解图像中的全局信息和长距离依赖关系非常重要。 1. 感受野的定义 在卷积神经网络中，每个神经元的
阅读全文
摘要：空洞卷积的 ResNet-50 提取特征和 ASPP 结构 1. 空洞卷积（Atrous Convolution） 空洞卷积是一种特殊的卷积操作，通过在卷积核中插入“空洞”（即跳过一些像素），扩大卷积核的感受野，而不增加计算量。空洞卷积的核心参数是膨胀率（Dilation Rate），它决定了卷积核
阅读全文
摘要：Meta Faster R-CNN 是一种针对小样本目标检测（Few-Shot Object Detection）的元学习方法，旨在通过注意力特征对齐提升模型在少样本场景下的检测性能。该方法的核心思想是通过引入注意力机制和特征对齐，优化 Faster R-CNN 在处理新类别时的检测能力。 1. 核
阅读全文
摘要：元学习（Meta-Learning）是机器学习领域的一个重要分支，通常被称为“学会学习”（Learning to Learn）。它的核心目标是让机器学习模型具备快速适应新任务的能力，而不仅仅是解决单一任务。 元学习的核心思想是将学习过程本身作为优化对象，通过在多个任务上进行训练，使模型能够捕捉到任务
阅读全文
摘要：欧式距离（Euclidean Distance） 是在欧几里得空间中，两点之间的直线距离。它是度量空间中距离的一种，也是最常用的距离度量之一。在二维和三维空间中，欧氏距离就是两点之间的直线距离。 1. 欧式距离的定义 对于 n-维空间中的两个点 p=(p1,p2,…,pn) 和 q=(q1,
阅读全文
摘要：在深度学习中，冻结训练方式 是一种常用的策略，尤其在迁移学习、模型微调和多任务学习中。它通过固定模型的某些层或参数，只对部分层或参数进行更新，从而减少训练时间和计算资源消耗，同时提高模型的泛化能力。 比如：主干网络只执行特征提取功能，而不改变自身参数，模型仅对区域建议网络和分类回归网络的参数进行调整
阅读全文
摘要：在深度学习和机器学习中，Epoch 是一个重要的概念，用于描述模型训练过程中的一个完整周期。具体来说，一个 Epoch 表示模型在整个训练数据集上完成一次正向传播和反向传播的过程。 1. 什么是 Epoch？ Epoch 是训练过程中对整个训练数据集进行一次完整的遍历。 在每个 Epoch 中，模型
阅读全文
摘要：联合训练的具体流程 特征提取： 输入图像首先通过共享的卷积层（如 ResNet、VGG 等）提取特征图。 这些特征图被同时用于 RPN 和 Fast R-CNN 部分。 RPN 网络： RPN 在特征图上生成候选区域（Region Proposals），并预测每个候选区域是否包含目标（分类任务）以及
阅读全文
摘要：Linear 激活函数，也称为线性激活函数，是一种在神经网络中使用的激活函数，它不改变输入值，直接将输入值作为输出值。线性激活函数的数学表达式为： y=x 其中 y 是输出值，x 是输入值。 1. 线性激活函数的特点 简单：线性激活函数是最简单的激活函数，没有非线性变换。 连续：线性激活函数是连续的
阅读全文
浙公网安备 33010602011771号