2018年5月13日
基于深度学习的目标检测算法：SSD——常见的目标检测算法
摘要： from：https://blog.csdn.net/u013989576/article/details/73439202 问题引入： 目前，常见的目标检测算法，如Faster R-CNN，存在着速度慢的缺点。该论文提出的SSD方法，不仅提高了速度，而且提高了准确度。 SSD: 该论文的核心思想： 阅读全文
posted @ 2018-05-13 23:21 bonelee 阅读(17629) 评论(0) 推荐(0)
capsule network——CNN仅仅考虑了“有没有”的问题，没有考虑feature map的结构关系。这个结构关系包括位置，角度等。Capsule layer的输出也跟feature map的max-pooling输出不同，capsule layer的输出是一个向量，这个向量包含了位置，大小，角度等信息，这是feature map仅能输出一个值所不具备的；训练比较慢
摘要： capsule network--《Dynamic Routing Between Capsules》 from：https://zhuanlan.zhihu.com/p/31491520 from：https://zhuanlan.zhihu.com/p/31491520 Hinton大神前一段时 阅读全文
posted @ 2018-05-13 12:24 bonelee 阅读(3274) 评论(0) 推荐(0)
语义分割(semantic segmentation) 常用神经网络介绍对比-FCN SegNet U-net DeconvNet，语义分割,简单来说就是给定一张图片,对图片中的每一个像素点进行分类；目标检测只有两类,目标和非目标，就是在一张图片中找到并用box标注出所有的目标.
摘要： 2017年04月21日 14:54:10 阅读数：4369 2017年04月21日 14:54:10 阅读数：4369 阅读数：4369 前言 在这里,先介绍几个概念,也是图像处理当中的最常见任务. 语义分割(semantic segmentation) 目标检测(object detection) 阅读全文
posted @ 2018-05-13 12:14 bonelee 阅读(1727) 评论(0) 推荐(0)
PSPnet：Pyramid Scene Parsing Network——作者认为现有模型由于没有引入足够的上下文信息及不同感受野下的全局信息而存在分割出现错误的情景，于是，提出了使用global-scence-level的信息的pspnet
摘要： 2017年02月23日 19:28:25 阅读数：6094 2017年02月23日 19:28:25 阅读数：6094 阅读数：6094 首先声明，文末彩蛋，不是笔者提问的 1 一句话总结 作者认为现有模型由于没有引入足够的上下文信息及不同感受野下的全局信息而存在分割出现错误的情景，于是，提出了使用 阅读全文
posted @ 2018-05-13 11:57 bonelee 阅读(6373) 评论(0) 推荐(0)
NASNet学习笔记——   核心一：延续NAS论文的核心机制使得能够自动产生网络结构；    核心二：采用resnet和Inception重复使用block结构思想；    核心三：利用迁移学习将生成的网络迁移到大数据集上提出一个new search space。
摘要： from：https://blog.csdn.net/xjz18298268521/article/details/79079008 NASNet总结 论文：《Learning Transferable Architectures for Scalable Image Recognition》 注 阅读全文
posted @ 2018-05-13 11:53 bonelee 阅读(870) 评论(0) 推荐(0)
ResNeXt——与 ResNet 相比，相同的参数个数，结果更好：一个 101 层的 ResNeXt 网络，和 200 层的 ResNet 准确度差不多，但是计算量只有后者的一半
摘要： from：https://blog.csdn.net/xuanwu_yan/article/details/53455260 背景 论文地址：Aggregated Residual Transformations for Deep Neural Networks 代码地址：GitHub 这篇文章在 阅读全文
posted @ 2018-05-13 11:44 bonelee 阅读(32149) 评论(0) 推荐(2)
Dual Path Networks（DPN）——一种结合了ResNet和DenseNet优势的新型卷积网络结构。深度残差网络通过残差旁支通路再利用特征，但残差通道不善于探索新特征。密集连接网络通过密集连接通路探索新特征，但有高冗余度。
摘要： 如何评价Dual Path Networks（DPN）？ 论文链接：https://arxiv.org/pdf/1707.01629v1.pdf在ImagNet-1k数据集上，浅DPN超过了最好的ResNeXt-101（64×4d），具有26％更小的模型尺寸，25％的计算成本和8％的更低的内存消耗 阅读全文
posted @ 2018-05-13 11:42 bonelee 阅读(2754) 评论(0) 推荐(0)