niudong

摘要： 唉，真烦哪些炒概念的，把整个世界都给弄乱了。 这里说一下dilated convolution和atrous convolution。 这两种是一样的，至少keras源码中是一样的。在keras中调用也十分简单： 看到了没有，就是一个参数，又多了一个可以调整的参数，累啊。 就这样吧，唉，心疼哪些炒概 阅读全文

摘要： 最近在学习SSD的源码，其中有两个自定的层，特此学习一下并记录。 首先说一下这个层是用来做什么的。就是对于每一个通道进行归一化，不过通道使用的是不同的归一化参数，也就是说这个参数是需要进行学习的，因此需要通过 自定义层来完成。 在keras中，每个层都是对象，真的，可以通过dir(Layer对象)来 阅读全文

摘要： 这里记录在学习SSD源码过程中用到的相关内容 keras.applications.imagenet_utils.preprocess_input()： 用来将读入的原始图片张量转换成为需要Imagenet网络识别的形式，源码显示的是进行通道的转换以及减去各个通道均值，这个均值应该是ImageNet 阅读全文

摘要： 你说我是不是和目标检测算法杠上了，明明自己不搞这一块，却把效果最好的算法都看完了，唉，真搞不懂自己，改天在花时间好好整理一下，他们这么搞CV的人，真麻烦。 今天说的是SSD算法，论文的名字是：SSD: Single Shot MultiBox Detector。这是一篇我看了很久很久都没看懂，看了很 阅读全文

摘要： 写在前面：下面的内容都是论文中和自己理解的内容，如有错误还望告知，改正，谢谢。 之前说的都是利用分类思想来解决目标检测问题，今天要说的是用回归思想来解决目标检测问题的鼻祖，YOLO。 如果手洗干净的话，那我就上菜喽。 第一道菜：如何将目标检测用回归的思想来进行解决呢？ 大家还记得回归说的是什么么？就 阅读全文

摘要： 写在前面：下面讨论中Kernel Size为奇数，因为这样才能方便一致的确认Kernel中心。 在Fast RCNN中，为了大大减少计算量，没有进行2k次运算前向运算，而是进行了1次运算，然后在从pool5中crop出SS图片所对应的Feature map，这里详细的介绍一下是如何实现的。在CNN中 阅读全文

摘要： 符号表示： $W$：表示当前层Feature map的大小。 $K$：表示kernel的大小。 $S$：表示Stride的大小。 具体来讲： 整体说来，和下一层Feature map大小最为密切的就是Stride了，因为按照CNN的移动方式，是根据Stride来进行移动的，因此除了最后一个的长度为K 阅读全文

摘要： 这次讨论的是RCNN的升级版，Fast R-CNN，作者还是rbg。 Fast RCNN是RCNN的改进，那么首先要知道RCNN有哪些地方可以改进的。 首先 ，RCNN模型中CNN模型的分类和SVM模型的分类是一前一后的，也正是这种关系，使得模型有了断层。具体说来SVM参数的更新对于CNN网络模型的 阅读全文

摘要： 最近想系统学习如何使用深度学习来进行物体检测，因此重新阅读了以前看的一些文章，在这里进行一些记录，不多说了，开始吧。 RCNN的基本思想，将物体检测问题当作一个分类问题来进行解决，这是因为具体的边框是提前生成的，模型要做的就是判断这个边框中图像属于那个类别（也可能是背景）。 RCNN主要是由3个模块 阅读全文

摘要： 先上一道题目： 一个赌徒进行一系列相互独立的押注活动，每次押注，以概率p赢得1元，以概率1-p输掉一元，开始押注的时候他有k元，当他输光钱的时候，或者他累计钱数为n元的时候，就停止押注，问，他以累计钱数为n元而停止押注的概率有多大？ 刚开始看到这个题的时候，想着直接算，没算出来，看到答案，惊呆了，巧 阅读全文