随笔分类 - 深度学习
摘要：SingleShotMultiBoxDetector(SSD,单步多框目标检测) ———————————————————————————————————————————————— 前言：哈哈，有多少人被标题引诱来的？不过我确实把料下足了，想彻底了解SSD理论的朋友，请你沉下心来看，估计底子好的人要看
阅读全文
摘要：前言： 在目标检测的任务中，一样的损失函数可能有不同的IOU值，如下图（L2作为损失函数） 上图三张图有一样的L2距离，但是IoU值却完全不同。坐标表示方法为(x1,y1,x2,y2)。 下图为L1距离。坐标表示方法为(x,y,w,h)，x,y为中心点坐标。 科普一下L1与L2距离，明白的请跳过：
阅读全文
摘要：解决的问题：消除正负样本比例不平衡（One-Stage算法需要产生超大量的预选框，模型被大量负样本所主导，Focal Loss对此种情况卓有成效。），并且挖掘难负样本（难负样本即为一些很难区分是正样本还是负样本的负样本。其对立的就是一些简单的负样本，很容易区分出来是负样本，其前向传播的loss很小，
阅读全文
摘要：前言 之前无论是传统目标检测，还是RCNN，亦或是SPP NET，Faste Rcnn，Faster Rcnn，都是二阶段目标检测方法，即分为“定位目标区域”与“检测目标”两步，而YOLO V1,V2,V3都是一阶段的目标检测。 从R-CNN到FasterR-CNN网络的发展中，都是基于propos
阅读全文
摘要：前言概括 RCNN是运用深度学习进行目标检测的鼻祖，但是究其结构来说，不过是将传统的目标检测结构的提取特征的方法由Hog算法换成了卷积神经网络去提取特征，其网络结构用的是Alexnet。 传统目标检测的流程我在上一篇随笔中已经做过总结，某些例如“非极大值抑制”，“高斯模糊”这种方法我并没有展开介绍，
阅读全文
摘要：前言:我所写的“操作步骤”均是代码级的，把我的字翻译成代码，就能写出来项目框架 本文原创，转载请说明 在深度学习火起来之前，传统的目标检测往往都是通过人来设计算法提取特征并喂入机器学习的SVM算法中，进行目标的定位和实例划分。为了避免知识嘈杂，大家晕头转向，我没有把一些过程名词解释出来，便于大家理清
阅读全文
摘要：Word2vec模型本质：是一个用来生成词向量的、简单的神经网络模型。 通过计算相似度来降低原来输入词的维度，举个例子： 图.甲 网络结构如下： 图.乙 如乙图所示，我们一开始输入的是one-hot编码后的向量，1位于第7位，其对应的输入层到隐藏层的权重矩阵w一定是第7行，如下图示意 图.丙 丙图示
阅读全文
摘要：RNN的结构 首先，我们先来看一下RNN神经网络的结构图，左边是未展开前的，右边是展开后的。 当你代码调用static_rnn实际上是生成了rnn按时间序列展开之后的图。打开tensorboard你会看到sequence_length个rnn_cell stack在一起，只不过这些cell是shar
阅读全文
摘要：—————————————————————————————————————————————————————— 本文为在csdn博主z小白的文章基础上，做了一些自己的理解与扩展，文末附有原文链接，尊重知识产权从我做起。 —————————————————————————————————————————
阅读全文
摘要：传统神经网络： 是全连接形式，即样本的每个特征属性都通过所有的隐藏层节点映射，最后输出数据。由于是全连接，所以计算极为复杂，且模型不易学习。 卷积神经网络：卷积神经网络(Convolutional Neural Networks, CNN), CNN可以有效的降低反馈神经网络(传统神经网络)的复杂性
阅读全文
摘要：1 import tensorflow as tf 2 import numpy as np 3 4 """ 5 使用tensorflow 实现简单的 线性回归 y = np.dot(x, W) + b 6 """ 7 8 def f1(): 9 """ 10 先使用常量进行构建，展示大致的业务逻辑
阅读全文
浙公网安备 33010602011771号