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
posted @ 2025-03-19 18:05
yinghualeihenmei
阅读(910)
评论(0)
推荐(0)
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
posted @ 2025-03-19 18:01
yinghualeihenmei
阅读(42)
评论(0)
推荐(0)
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
posted @ 2025-03-19 13:36
yinghualeihenmei
阅读(219)
评论(0)
推荐(0)
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
posted @ 2025-03-19 11:53
yinghualeihenmei
阅读(275)
评论(0)
推荐(0)
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
posted @ 2025-03-18 18:34
yinghualeihenmei
阅读(251)
评论(0)
推荐(0)
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
posted @ 2025-03-18 18:30
yinghualeihenmei
阅读(138)
评论(0)
推荐(0)
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
posted @ 2025-03-18 18:27
yinghualeihenmei
阅读(370)
评论(0)
推荐(0)
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
posted @ 2025-03-18 18:18
yinghualeihenmei
阅读(232)
评论(0)
推荐(0)
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
posted @ 2025-03-18 18:15
yinghualeihenmei
阅读(132)
评论(0)
推荐(0)
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
posted @ 2025-03-18 14:05
yinghualeihenmei
阅读(77)
评论(0)
推荐(0)
浙公网安备 33010602011771号