outthinker

摘要： 在win下配置opencv3.0.0还是比较简单的，这里简单说一下配置过程：参考链接：http://blog.csdn.net/u010009145/article/details/50756751 整个配置过程基本按照链接中的步骤来的，唯一要注意的是：在编辑好属性文件后，以后再写其他工程时，只要将 阅读全文

摘要： 由于Python的灵活性，我们在caffe中添加自己定义的层时使用python层会更加方便，开发速速也会比C++更快，现在我就在这儿简单说一下如何在caffe中添加自定义的python层（使用的原网络结构时Lenet结构）： 首先在caffe->python文件夹中添加自己定义的层函数.py文件，比 阅读全文

该文被密码保护。 阅读全文

摘要： 上一篇我们说完了AnchorTargetLayer层，然后我将Faster rcnn中的其他层看了，这里把ROIPoolingLayer层说一下； 我先说一下它的实现原理：RPN生成的roi区域大小是对应与输入图像大小（而且每一个roi大小都不同，因为先是禅城九种anchors，又经过回归，所以大小 阅读全文

摘要： 转载链接：http://withwsf.github.io/2016/04/14/Caffe-with-Python-Layer/ Caffe通过Boost中的Boost.Python模块来支持使用Python定义Layer： 使用C++增加新的Layer繁琐、耗时而且很容易出错 开发速度与执行速度 阅读全文

摘要： 紧接着之前的博客，我们继续来看faster rcnn中的AnchorTargetLayer层： 该层定义在lib>rpn>中，见该层定义： 首先说一下这一层的目的是输出在特征图上所有点的anchors（经过二分类和回归）； （1）输入blob：bottom[0]储存特征图信息，bottom[1]储存 阅读全文

该文被密码保护。 阅读全文

摘要： 接着上篇的博客，咱们继续看一下Faster RCNN的代码～ 上次大致讲完了Faster rcnn在训练时是如何获取imdb和roidb文件的，主要都在train_rpn()的get_roidb()函数中，train_rpn()函数后面的部分基本没什么需要讲的了，那我们再回到训练流程中来： 这一步训 阅读全文

摘要： 这段时间看了不少论文，回头看看，感觉还是有必要将Faster rcnn的源码理解一下，毕竟后来很多方法都和它有相近之处，同时理解该框架也有助于以后自己修改和编写自己的框架。好的开始吧～ 这里我们跟着Faster rcnn的训练流程来一步一步梳理，进入tools\train_faster_rcnn_a 阅读全文

摘要： 本文转载自：http://blog.csdn.net/shuzfan/article/details/50723877 本次所讲的内容为Batch Normalization，简称BN，来源于《Batch Normalization: Accelerating Deep Network Traini 阅读全文