该文被密码保护。 阅读全文

摘要： 1. 摘要： a. 方向：自动驾驶领域，针对复杂交通情况 b. 数据集：ONCE（One millioN sCenEs） c. 改进点（基于Voxel-RCNN）： i. 在3D Backbone中加入残差结构 ii. 设计了一个厚重的（？）3D特征提取器（有效提取高维信息） iii. 2D Bac 阅读全文

该文被密码保护。 阅读全文

该文被密码保护。 阅读全文

摘要： RetinaNet相关内容 阅读全文

摘要： FPN相关内容 阅读全文

摘要： SSD相关内容 阅读全文

摘要： 课程7 训练神经网络（part 2） key： 更好的优化 正则化 迁移学习 Fancier Optimization 更好的优化（如何更新梯度） 1.从SGD（随机梯度下降）出发： 问题一：以二维为例（两个都是权重，一个是w1，一个是w2），在w1上前进很慢，在w2上前进很快，导致曲折前进，推广到 阅读全文

摘要： 课程6 训练神经网络（part 1） key： epoch指一次使用全部数据的完整训练 开始（激活函数、数据预处理、权重初始化、正则化、梯度检查） 动态训练（监督学习过程、参数更新、超参数优化） 评估（模型评估） 激活函数 1.Sigmoid函数：将输出固定在[0 , 1]，曾经很受欢迎，因为可以很 阅读全文

摘要： 课程5 卷积神经网络 key： CNN 卷积核（滤波器） 卷积神经网络 Convolutional Neural Networks 1.一点历史：从马克一号（1957）开始出现感知计算机，有了激活函数的思想；到1960出现多层，至1986第一次反向传播开始流行，2006年有 再激活 研究在深度学习中 阅读全文