该文被密码保护。 阅读全文

摘要： @ 一、3D点云的挑战 以无序点云作为输入，因此模型需要具备排序不变性 点云的旋转，平移不应该改变点云的类别，因此模型需要具备几何变换不变性 二、排序不变性 排序不变性，即输入的点云的顺序不应该改变点云所代表的物体类别 当一个$N \times D$ 在 N的维度上随意的打乱之后，其表述的应该是同一 阅读全文

摘要： @ 一、REGION CNN 1.1 原理 滑窗法是一种行之有效的暴力方法，先生成大量的候选框，对每个框进行分类，可以大概的检测出类 一张图像生成1K~2K个候选区域 对每个候选区域，使用深度网络提取特征 特征送入每一类的SVM分类器，判别是否属于该类 使用回归器精细修正候选框位置 1.2 候选区域 阅读全文

摘要： 安装前置依赖 sudo apt-get install build-essential [required] sudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswsca 阅读全文

摘要： @ 一、传统CNN结构存在的问题 结构固定 无法考虑不同区域不同形变的影响 计算并非最优化 不同任务对卷积的计算有不同的偏好 二、变形卷积 2.1 带孔卷积 Dialted Conv, 用同样的卷积核大小获取更大的感受野 2.2 可变形卷积 Deformable Conv 卷积核不再是矩形 优点 解 阅读全文

摘要： @ 正则化 L-1正则化实现 PyTorch没有L-1正则化，所以用下面的方法自己实现 L-2正则化 一般用L-2正则化 weight_decay 表示$\lambda$ 动量 moment参数设置上式中的$\beta$,表式上一时刻梯度所占的比例0~1之间 学习率衰减 当loss不在下降时的学习率 阅读全文

摘要： 网络结构 代码 import torch import torch.nn as nn import torch.nn.functional as F import torch.optim as optim from torchvision import datasets, transforms ba 阅读全文

摘要： 最小值点有4个 import numpy as np from mpl_toolkits.mplot3d import Axes3D from matplotlib import pyplot as plt import torch def himmelblau(x): return (x[0] * 阅读全文

摘要： @ 声明需要进行自动梯度 未申明的变量将无法进行自动梯度 申明方法有两种 # 在创建完成后，申明自动梯度 x = torch.ones(1) x.requires_grad() # 在创建时，就申明自动梯度 w = torch.full([1],2,requires_grad=True) 进行自动梯 阅读全文

摘要： where() 条件判断 gather()查表 input ：待查的表 dim ： 在input的哪个维度上查表 index： 待查表的索引值 阅读全文