摘要:[TOC] 博客: "blog.shinelee.me" | "博客园" | "CSDN" 写在前面 开篇先上图,图为 deconvolution 在像素级语义分割中的一种应用,直观感觉deconvolution是一个upsampling的过程,像是convolution的对称过程。 本文将深入de 阅读全文
posted @ 2019-09-20 20:55 Mr-Lee 阅读 (43) 评论 (0) 编辑
摘要:[TOC] 博客: "blog.shinelee.me" | "博客园" | "CSDN" 写在前面 本文重点在于回顾深度神经网络在CV领域的 First Blood —— AlexNet ,AlexNet是首个在大规模图像识别问题取得突破性进展的深度神经网络,相比基于SIFT+FVs、稀疏编码的传 阅读全文
posted @ 2019-09-10 12:05 Mr-Lee 阅读 (58) 评论 (0) 编辑
摘要:深度神经网络繁多,各自的性能指标怎样? 实际应用中,在速度、内存、准确率等各种约束下,应该尝试哪些模型作为backbone? 有paper对各个网络模型进行了对比分析,形成了一个看待所有主要模型的完整视角,其分析结果可以在实践中提供指导和帮助。 这篇博客主要整合了其中3篇文章的结论,分别是 1. " 阅读全文
posted @ 2019-08-28 19:53 Mr-Lee 阅读 (161) 评论 (0) 编辑
摘要:博客: "blog.shinelee.me" | "博客园" | "CSDN" [toc] 写在前面 2D图像常见的坐标变换如下图所示: 这篇文章不包含 透视变换 (projective/perspective transformation),而将重点放在 仿射变换 (affine transfor 阅读全文
posted @ 2019-05-30 17:37 Mr-Lee 阅读 (1398) 评论 (4) 编辑
摘要:博客: "blog.shinelee.me" | "博客园" | "CSDN" B站上传字幕时,如果srt文件中出现如下空行,则会报错,仅上传了空行前的部分 于是写了个python脚本,如下: 解析srt文本,对象化为 ,判断当前字幕的文本是不是空串,如果是空串,变为空格,再保存文件。 这样上传字幕 阅读全文
posted @ 2019-05-23 14:01 Mr-Lee 阅读 (68) 评论 (0) 编辑
摘要:[toc] 博客: "blog.shinelee.me" | "博客园" | "CSDN" 写在前面 随便翻一翻流行的推理框架(加速器),如 "NCNN" 、 "NNPACK" 等,可以看到,对于卷积层,大家不约而同地采用了Winograd快速卷积算法,该算法出自CVPR 2016的一篇 paper 阅读全文
posted @ 2019-05-22 16:08 Mr-Lee 阅读 (3198) 评论 (1) 编辑
摘要:[TOC] 博客: "blog.shinelee.me" | "博客园" | "CSDN" im2col实现 如何将卷积运算转为矩阵相乘?直接看下面这张图,以下图片来自论文 "High Performance Convolutional Neural Networks for Document Pr 阅读全文
posted @ 2019-04-26 18:04 Mr-Lee 阅读 (1464) 评论 (0) 编辑
摘要:博客: "blog.shinelee.me" | "博客园" | "CSDN" [TOC] 这篇文章中,我们将定义一个相对复杂的数据结构,直接分析其序列化后的二进制文件。 Proto文件 编写addressbook.proto文件,在官方例子上略作修改,增加了 字段,以分析浮点数的存储方式。 生成编 阅读全文
posted @ 2019-04-20 17:36 Mr-Lee 阅读 (325) 评论 (0) 编辑
摘要:博客: "blog.shinelee.me" | "博客园" | "CSDN" [toc] Message Structure 在上一篇文章中我们提到,对于序列化后字节流,需要回答的一个重要问题是“ 从哪里到哪里是哪个数据成员 ”。 message中每一个field的格式为: 在序列化时,一个fie 阅读全文
posted @ 2019-04-16 15:35 Mr-Lee 阅读 (458) 评论 (0) 编辑
摘要:博客: "blog.shinelee.me" | "博客园" | "CSDN" [toc] Protocol Buffers docs:https://developers.google.com/protocol buffers/docs/overview github:https://github 阅读全文
posted @ 2019-04-13 16:50 Mr-Lee 阅读 (670) 评论 (0) 编辑
摘要:博客: "blog.shinelee.me" | "博客园" | "CSDN" [toc] 写在前面 paper:https://arxiv.org/abs/1809.02165 github:https://github.com/hoya012/deep_learning_object_detec 阅读全文
posted @ 2019-02-14 18:22 Mr-Lee 阅读 (1607) 评论 (1) 编辑
摘要:映射 是一种对应关系。 函数 是一种映射,将变量间的关系形式化为数学描述。 令$y = f(x)$,即$y$是$x$的函数,可以是$y = 2x + 1$,也可以是$y = sin(x)$。$x$的变化将引起$y$的变化,$x$的变化量$\triangle x$导致$y$变化$\triangle y 阅读全文
posted @ 2019-01-26 18:35 Mr-Lee 阅读 (467) 评论 (0) 编辑
摘要:博客: "blog.shinelee.me" | "博客园" | "CSDN" [toc] 写在前面 Group Convolution分组卷积 ,最早见于AlexNet——2012年Imagenet的冠军方法,Group Convolution被用来切分网络,使其在2个GPU上并行运行,AlexN 阅读全文
posted @ 2019-01-09 11:02 Mr-Lee 阅读 (5862) 评论 (2) 编辑
摘要:博客: "blog.shinelee.me" | "博客园" | "CSDN" [TOC] 准备工作 安装anaconda , "官网" 下载安装,笔者安装在"D:\Anaconda3" 安装好之后,查看环境变量path中是否有如下路径,没有的话添加进去 安装git , "官网" 下载安装,默认安装 阅读全文
posted @ 2019-01-07 17:16 Mr-Lee 阅读 (13424) 评论 (2) 编辑
摘要:[toc] GPU为 RTX2080 ,系统为更新到最新版本的 Win10 。 准备工作 安装 VS2015 ,到官网地址 "older download" 下载安装 安装 Matlab ,笔者安装的是Matlab2017b 安装 Anaconda3 4.4.0 Windows x86_64.exe 阅读全文
posted @ 2018-12-26 17:44 Mr-Lee 阅读 (4823) 评论 (7) 编辑
摘要:最近装新机器,计划装个双系统,但是新硬件用不了Win7,只好改装Win10。经过数遍尝试,发现网上很多打着官方原版旗号的ISO以及各种装机软件,或多或少都捆绑了一些“流氓”软件,这篇文章将讲述获取 真·官方原版ISO 的方法。 微软官方下载网页 :https://www.microsoft.com/ 阅读全文
posted @ 2018-12-24 20:28 Mr-Lee 阅读 (201) 评论 (0) 编辑
摘要:[TOC] 2018年12月21日,最近要装新电脑,借此将自己常用的工具总结一下。 系统工具 "wox" ,软件快速启动工具,有翻译等插件 "everything" ,本地文件文件夹快速检索工具 "ditto" ,剪贴板增强工具,缓存剪切历史 "Total Commander 飞扬时空版" ,文件管 阅读全文
posted @ 2018-12-21 18:21 Mr-Lee 阅读 (1199) 评论 (0) 编辑
摘要:博客: "blog.shinelee.me" | "博客园" | "CSDN" [toc] 写在前面 层的概念在深度神经网络中占据核心位置,给定输入,数据在层间运算流动,最终输出结果。 层定义了对数据如何操作 ,根据操作的不同,可以对层进行划分(具体参见 "Caffe Layers" ): Data 阅读全文
posted @ 2018-12-19 16:52 Mr-Lee 阅读 (444) 评论 (0) 编辑
摘要:博客: "blog.shinelee.me" | "博客园" | "CSDN" [toc] 写在前面 主页 :https://kpzhang93.github.io/MTCNN_face_detection_alignment/index.html 论文 :https://arxiv.org/abs 阅读全文
posted @ 2018-12-13 18:10 Mr-Lee 阅读 (3028) 评论 (0) 编辑
摘要:博客: "blog.shinelee.me" | "博客园" | "CSDN" [toc] 写在前面 这篇文章将从3个角度: 加权 、 模版匹配 与 几何 来理解最后一层全连接+Softmax。掌握了这3种视角,可以更好地理解深度学习中的正则项、参数可视化以及一些损失函数背后的设计思想。 全连接层与 阅读全文
posted @ 2018-12-06 17:24 Mr-Lee 阅读 (806) 评论 (0) 编辑