橙同学的学习笔记

摘要： Introduction （1）IVPR问题： 根据一张图片从视频中识别出行人的方法称为 image to video person re-id（IVPR） 应用： ① 通过嫌犯照片，从视频中识别出嫌犯； ② 通过照片，寻找走失人口. （2）图片-视频行人匹配问题的描述： （3）IVPR的难点： ① 阅读全文

摘要： 摘要 （1）方法： 面对不同行人视频之间和同一个行人视频内部的变化，提出视频间和视频内距离同时学习方法(SI2DL). （2）模型： 视频内(intra-vedio)距离矩阵：使得同一个视频更紧凑； 视频间(inter-vedio)距离矩阵：使得两个匹配视频比不匹配视频距离更小. 设计了视频三元组( 阅读全文

摘要： 人脸识别 1、One-shot learning（一次学习）： 仅仅通过一张图片来完成人脸识别，即只能通过一个样本来学习. similarity函数： d(img1,img2) = degree of difference between images 识别任务（verification）： if 阅读全文

摘要： 1、目标定位：（以定位汽车为例） 将图像分类：行人、汽车、摩托车、纯背景图，使用softmax函数输出结果. 输出的结果不仅仅是分类，还有四个标记：bx、by、bh、bw. 这四个数据为被检测对象的边界框的参数. 左上角坐标(0,0)，右下角坐标(1,1). 输出结果的表示形式： 2、特征点检测： 阅读全文

摘要： 1、经典网络： （1）LeNet-5：识别手写数字 （2）AlexNet： （3）VGG-16： 2、Residual networks（ResNets 残差网络）： （1）Residual block（残差块）： 多个残差块构成一个残差网络： （2）残差网络的优势： 理论上，随着神经网络的深入，训 阅读全文

摘要： 1、Edge detection（边缘检测）： （1）卷积计算： 有一个6*6*1的灰度图像，‘*’表示卷积（convolution），过滤器（filter）为3*3矩阵. 卷积的结果为 4*4的矩阵： 左上角的第一块是通过图像矩阵的左上角3*3区域计算而来. 3*1 + 1*1 + 2*1 +0* 阅读全文

摘要： 1、超参数调试： （1）超参数寻找策略： 对于所有超参数遍历求最优参数不可取，因为超参数的个数可能很多，可选的数据过于庞大. 由于最优参数周围的参数也可能比较好，所以可取的方法是：在一定的尺度范围内随机取值，先寻找一个较好的参数，再在该参数所在的区域更精细的寻找最优参数. （2）选择合适的超参数范围 阅读全文

摘要： 神经网络和深度学习 Week 1-2 神经网络基础 Week 3 浅层神经网络 Week 4 深层神经网络 改善深层神经网络 Week 1 深度学习的实用层面 Week 2 优化算法 Week 3 超参数调试、Batch正则化和程序框架 卷积神经网络 Week 1 卷积神经网络基础 Week 2 深 阅读全文

摘要： 1、Mini-batch 梯度下降： （1）问题背景： 假设数据集含有500万个样本，数据量庞大，训练速度缓慢. 数据构成为： X = [x(1), x(2), ..., x(m)] 规格：n*m Y = [y(1), y(2), ..., y(m)] 规格：1*m 若将数据集分成若干个子集，即mi 阅读全文

摘要： 1、L 层神经网络正则化： （1）L2 正则化： （2）为什么正则化可以避免过拟合？ 当 lambda 足够大时，最小化 J 时，就会使得权重矩阵 w 趋近于0，神经网络简化为高偏差状态： lambda 较大，w 较小，由 z = w * a + b，z 也较小，以 tanh 函数为例： 当 z 在 阅读全文