02 2019 档案
摘要：基于深度学习的图像分割的方法的一般套路： 1.下采样 + 上采样，卷积池化转置卷积； 2.多尺度特征拼接，低维度特征结合高维度特征； 3.获得像素级别的segement map，即对每个像素进行分类。 在做反卷积上采样的时候，往往通过拼接融合的方法得到更多的信息，拼接的方法有 语义分割网络在特征融合
阅读全文
摘要：BN的基本思想，其提出是解决梯度消失的问题的某一方法。 在深度神经网络做非线性变换前的激活输入值（x=wu+b,u是输入)，当层数越深的时候，输入值的分布就会发生偏移，梯度出现消失的情况， 一般是整体分布逐渐往函数的取值区间的上下限靠拢，而这个时候非线性函数的梯度就会发生消失，所以训练收敛变慢。 B
阅读全文
摘要：正在进行中，以及已经完成的测试 1.使用Inception v3进行农作物病毒分类（keras以及tensorflow) 2.使用resnet-50进行农作物病毒分类（pytorch) 代码已读，无卡等测 3.使用u-net进行医学图像分割，数据集来自ISBI挑战 （keras） 4.使用FCN进行
阅读全文
摘要：1.PyCharm Process finished with exit code -1073741819 (0xC0000005) 解决方法：卸载h5py这个包，在装cv2的时候有可能安装了h5py 后续问题，卸载h5py之后在训练模型之后，无法保存模型，原因却是没有安装h5py，重新安装后神奇的
阅读全文
摘要：U-net网络主要思路是源于FCN，采用全卷积网络，对图像进行逐像素分类，能在图像分割领域达到不错的效果。 因其网络结构类似于U型，所以以此命名，可以由其架构清晰的看出，其构成是由左端的卷积压缩层，以及右端的转置卷积放大层组成； 左右两端之间还有联系，通过灰色箭头所指，右端在进行转置卷积操作的时候，
阅读全文
摘要：yield作用类似于return，其本质是一个迭代器。 当程序执行到yield时，会结束本次循环，返回一个值，然后内置含有next()函数， 下次在执行时，会从yield结束的地方继续执行。 带yield的函数是一个生成器，内置next函数，当本次执行到yield结束时候，下一次next就会从本次停
阅读全文
摘要：不定时更新 反卷积就是转置卷积，也可以写成两个矩阵相乘，通常由小尺寸变成大尺寸，反卷积的反向传播也是可行的。 如图是反卷积的过程： 下面介绍卷积的反向传播过程，此过程与反卷积相同。 反卷积的计算是把卷积的得到的结果与卷积核的转置相乘，所以也叫转置卷积。 卷积的过程如下图： 用矩阵表达： 反向传播的公
阅读全文
摘要：感受野就是输出的feature map中的一个像素点对应到输入图像的映射；下图中特征点（绿色和黄色）对应的阴影部分即为感受野。 左边的图为正常的普通卷积过程；右边的为输入和输出大小一样的卷积过程，采用的方法是在得到的feature map中的特征点之间加入0（与带洞卷积类似，但不是一样的） 右边的好
阅读全文
摘要：k-means算法属于无监督学习，没有已知的标签 k均值是发现给定数据集的K个簇的算法。 每个簇通过其质心来描述。 k均值算法的工作流程如下， 首先，给定随机的K个初始质心，然后将数据集中的每个点分配到一个簇中，过程是为每个点寻找最近的质心，并将其分配给该质心所对应的簇； 然后为每个簇更新质心，质心
阅读全文
摘要：K近邻算法将每组数据分到某个类中，其具体过程如下： 给出已知类别的数据集； 然后对于未知类别属性的数据集中的每个点依次执行以下操作： 1.计算已知类别数据集中的点与当前的点的距离； 2.按照距离依次排序； 3.选取与当前点距离最小的k个点； 4.确定前k个点所出现类别的出现频率； 5，返回前k个点中
阅读全文
摘要：一、 RCNN系列的发展 1.1 R-CNN 根据以往进行目标检测的方法，在深度学习应用于目标检测时，同样首先尝试使用滑动窗口的想法，先对图片进行选取2000个候选区域，分别对这些区域进行提取特征以用来识别分割。 步骤一：在imagenet分类比赛上寻找一个cnn模型，使用它用于分类的预训练权重参数
阅读全文
摘要：语义分割的基本结构如下，通过一个分割模型确定基本结果，再通过CRF等进行优化输出。 后面优化的模型有以下几种： 全连接条件随机场(DenseCRF) CRFasRNN 马尔科夫随机场(MRF) 高斯条件随机场(G-CRF) 后面的概率模型中存在二元势函数， 二元势函数就是描述像素点与像素点之间的关系
阅读全文
摘要：深度学习中的end to end是什么意思？ 端到端就是输入一个数据进入模型，然后模型直接可以输出你想要的结果，也就是一体性。 简单讲就是，Input >系统（这里指神经网络） >Output（直接给出输入，NN神经网络就给出结果）
阅读全文
摘要：FCN在之前做过介绍 下面是几种对称结构，基本上都是基于编码和解码的过程，主要使用了卷积和反卷积，池化，上采样的结构。 上采样的实现主要在于池化时记住输出值的位置，在上池化时再将这个值填回原来的位置，其他位置填0。 SegNet DeconvNet 下面是一种稍微成熟的结构，称为带洞卷积结构。 De
阅读全文
摘要：简称S函数，定义域为负无穷到正无穷，值域为（0，1）。目的是把值映射为0到1的值。 直观的特性：函数的取值在0-1之间，且在0.5处为中心对称，并且越靠近x=0的取值斜率越大。 机器学习中一个重要的预测模型逻辑回归（LR）就是基于Sigmoid函数实现的。LR模型的主要任务是给定一些历史的{X,Y}
阅读全文
摘要：针对有着前后序列关系的数据，比如说随着时间变化的数据，显然使用rnn的效果会更好。 循环神经网络的简单结构如下图：简单表示是左边这幅图，展开来看就是右边对每个时刻的数据的处理。单层的RNN网络只有一个单元，前一时刻的数据输入之后得到输出结果然后再传给自己，与下一个时序的数据一块输入。 RNN的前向传
阅读全文
摘要：Faster-rcnn实现目标检测 前言：本文浅谈目标检测的概念，发展过程以及RCNN系列的发展。为了实现基于Faster-RCNN算法的目标检测，初步了解了RCNN和Fast-RCNN实现目标检测的具体步骤及其优缺点。在深刻理解Faster-RCNN的基本原理、详细分析其结构后，开始进行对Fast
阅读全文
浙公网安备 33010602011771号