摘要： 第一步： 文件重命名： 阅读全文

摘要： 深度学习模型花费时间大多很长, 如果一次训练过程意外中断, 那么后续时间再跑就浪费很多时间. 这一次练习中, 我们利用 Keras checkpoint 深度学习模型在训练过程模型, 我的理解是检查训练过程, 将好的模型保存下来. 如果训练过程意外中断, 那么我们可以加载最近一次的文件, 继续进行训 阅读全文

摘要： 1.Unsupervised learning of video representations using LSTMs 方法：从先前的帧编码预测未来帧序列 相似于Sequence to sequence learning with neural networks论文 方法：使用一个LSTM编码输入 阅读全文

摘要： 介绍 深度学习现在是一个非常猖獗的领域 - 有如此多的应用程序日复一日地出现。深入了解深度学习的最佳方法是亲自动手。尽可能多地参与项目，并尝试自己完成。这将帮助您更深入地掌握主题，并帮助您成为更好的深度学习实践者。 在本文中，我们将看一个有趣的多模态主题，我们将结合图像和文本处理来构建一个有用的深度 阅读全文

摘要： About Face detection 1、Finding Tiny Faces Code：https://github.com/peiyunh/tiny 小目标检测难3大原因：目标本身尺度变化、图像分辨率以及环境因素。本文针对多尺度训练了不同的检测器，这些检测器所用特征来自同一网络的不同层级。此 阅读全文

摘要： 1 感受野的概念 从直观上讲，感受野就是视觉感受区域的大小。在卷积神经网络中，感受野的定义是 卷积神经网络每一层输出的特征图（feature map）上的像素点在原始图像上映射的区域大小。 2 感受野大小的计算 感受野计算时有下面的几个情况需要说明： a)第一层卷积层的输出特征图像素的感受野的大小等 阅读全文

摘要： 孙剑博士分享的是《深度学习变革视觉计算》，分别从视觉智能、计算机摄影学和AI计算三个方面去介绍。 他首先回顾了深度学习发展历史，深度学习发展到今天并不容易，过程中遇到了两个主要障碍： 第一，深度神经网络能否很好地被训练。在深度学习获得成功之前曾被很多人怀疑，相比传统的机器学习理论，深度学习神经网络的 阅读全文

摘要： 前提条件： Anaconda3 x64 (with Python 3.5/3.6) Windows 64位系统（Windows 7 或 Windows Server 2008 及以上） GPU版本还需要任意版本的 CUDA （包内置了CUDA 8 / 9 的部分主要二进制文件） 只需根据自己的系统键 阅读全文

摘要： 安防作为近年最热门的计算机视觉研究落地方向，与视频分析研究有着很紧密的关系。在真实的监控视频中，一个常见的需求就是要自动识别视频流中的异常事件，也就是异常事件检测任务（Anomaly detection)。 这个任务有许多的难点，比如： 1.异常事件发生的频率很低，导致数据的收集和标注比较困难； 2 阅读全文

摘要： 导言：目标检测的任务表述 如何从图像中解析出可供计算机理解的信息，是机器视觉的中心问题。深度学习模型由于其强大的表示能力，加之数据量的积累和计算力的进步，成为机器视觉的热点研究方向。 那么，如何理解一张图片？根据后续任务的需要，有三个主要的层次。 图像理解的三个层次 一是分类（Classificat 阅读全文