4 JacobKong

尚未进行身份认证

欢迎来到孔伟杰(@JacobKong_Dev)的博客。 本人目前是北大信工的研一菜鸟一枚。 研究兴趣:计算机视觉|深度学习|行人检测。 欢迎大家一块儿交流!

等级
TA的排名 6w+

2017-02-27-深度学习论文笔记:R-FCN

Abstract提出了一个region-based, fully convolutional的网络来准确高效的进行物体检测。不同于Faster R-CNN,本论文的region-based detector是完全卷积化的,几乎一张图像上所有的计算都是共享的。为了实现这一目标,我们提出position-sensitive score maps,以解决在图像分类的平移不变性(translation

2017-02-27 22:39:56

深度学习读书笔记:DeepLearningBook - Chapter 9 - Conventional Networks

Chapter 9 Convolutional Networks(卷积神经网络)卷积网络仅仅是在其至少一个层中使用卷积代替一般矩阵乘法的神经网络。The Convolution OperationThe convolution operation is typically denoted with an asterisk:在卷积网络术语中,卷积的第一个参数(在本例中为函数x)通常称为 输入 ,

2017-02-20 23:15:49

深度学习论文笔记:SSD

知识点Jaccard overlap, Jaccard similarity: Jaccard coefficient: J(A,B)=|A∩B||A∪B| J(A,B)=\frac{|A\cap B|}{|A\cup B|} A,B分别代表符合某种条件的集合:两个集合交集的大小/两个集合并集的大小,交集=并集意味着2个集合完全重合。 所以Jaccard overlap其实就是I

2017-02-20 23:06:16

深度学习论文笔记:YOLO9000

AbstractYOLO9000: a state-of-the-art, real-time 的目标检测系统,可以检测超过9000种的物体分类。本论文提出两个模型,YOLOv2和YOLO9000。YOLOv2: 是对YOLO改进后的提升模型。利用新颖的,多尺度训练的方法,YOLOv2模型可以在多种尺度上运行,在速度与准确性上更容易去trade off。YOLO9000: 是提出的一种

2017-02-18 21:21:18

深度学习论文笔记:YOLO

Abstract之前的物体检测的方法是使用分类器来进行检测。相反,本论文将对象检测作为空间分离的边界框和相关类概率的回归问题。本论文的YOLO模型能达到45fps的实时图像处理效果。Fast YOLO:小型的网络版本,可达到155fps。与目前的检测系统相比,YOLO会产生更多的定位错误,但是会更少的去在背景中产生false positive。IntroductionDPM: use

2017-02-18 21:20:36

深度学习实践经验:用Faster R-CNN训练Caltech数据集——训练检测

前言前面已经介绍了如何准备数据集,以及如何修改数据集读写接口来操作数据集,接下来我来说明一下怎么来训练网络和之后的检测过程。修改模型文件fasterrcnn有两种各种训练方式:Alternativetraining(alt-opt)Approximatejointtraining(end-to-end)两种方法有什么不同,可以参考我这篇博客,推荐使用第二种,因为第二种使用的显存更小,而

2017-02-18 21:18:00

深度学习实践经验:用Faster R-CNN训练Caltech数据集——修改读写接口

前言这部分主要讲如何修改Faster R-CNN的代码,来训练自己的数据集,首先确保你已经编译安装了py-faster-rcnn,并且准备好了数据集,具体可参考我上一篇文章。py-faster-rcnn文件结构caffe-fast-rcnn 这里是caffe框架目录,用来进行caffe编译安装data 用来存放pre trained模型,比如ImageNet上的,要训练的数据集以及读取文件的

2017-02-18 21:17:23

深度学习实践经验:用Faster R-CNN训练行人检测数据集Caltech——准备工作

前言FasterR-CNN是RossGirshick大神在FastR-CNN基础上提出的又一个更加快速、更高mAP的用于目标检测的深度学习框架,它对FastR-CNN进行的最主要的优化就是在RegionProposal阶段,引入了RegionProposalNetwork(RPN)来进行RegionProposal,同时可以达到和检测网络共享整个图片的卷积网络特征的目标,使得reg

2017-02-18 21:16:35

深度学习论文笔记:Faster R-CNN

AbstractRegion Proposal的计算是基于Region Proposal算法来假设物体位置的物体检测网络比如:SPPnet, Fast R-CNN运行时间的瓶颈。Faster R-CNN引入了Region Proposal Network(RPN)来和检测网络共享整个图片的卷积网络特征,因此使得region proposal几乎是cost free的。RPN->预测物体边界(o

2017-02-18 21:15:44

深度学习论文笔记:Fast R-CNN

知识点mAP:detection quality.Abstract本文提出一种基于快速区域的卷积网络方法(快速R-CNN)用于对象检测。快速R-CNN采用多项创新技术来提高训练和测试速度,同时提高检测精度。采用VGG16的网络:VGG: 16 layers of 3x3 convolution interleaved with max pooling + 3 fully-connected

2017-02-18 21:13:29

深度学习论文笔记:Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition

Abstract现有的深卷积神经网络(CNN)需要固定尺寸(例如,224×224)的输入图像。新的网络结构,称为SPP-net,可以生成固定长度的表示,而不管图像大小/规模。使用SPP-net,我们从整个图像只计算一次特征图,然后在任意区域(子图像)中池特征以生成固定长度表示以训练检测器。INTRODUCTION在CNN的训练和测试中存在技术问题:普遍的CNN需要固定的输入图像大小(例如,

2017-02-18 21:12:33

深度学习论文笔记:Rich feature hierarchies for accurate object detection and semantic segmentation

AbstractmAP: mean average precision,平均准确度我们的方法结合两个关键的见解:第一:采用高容量的卷积神经网络来从上到下的进行region proposal,从而实现定位和分割物体。当标记的训练数据稀缺时,可以先对辅助数据集(任务)进行受监督的预训练, 随后是基于域进行特定调整,产生显着的性能提升。Introduction关于各种视觉识别任务的上一个十年的进

2017-02-18 21:09:37

行人检测论文笔记:Taking a Deeper Look at Pedestrians

layout: post title: 行人检测论文笔记:Fused DNN - A deep neural network fusion approach to fast and robust pedestrian detection categories: 论文笔记 tags: - Deep Learning - 深度学习 - Object Detection - 目标检测

2017-02-18 21:07:56

行人检测论文笔记:Robust Real-Time Face Detection

知识点傅里叶变换的一个推论: 一个时域下的复杂信号函数可以分解成多个简单信号函数的和,然后对各个子信号函数做傅里叶变换并再次求和,就求出了原信号的傅里叶变换。卷积定理(Convolution Theorem):信号f和信号g的卷积的傅里叶变换,等于f、g各自的傅里叶变换的积 整个过程的核心就是“(反转),移动,乘积,求和”二维卷积数学定义 二维卷积在图像处理中会经常遇到,图像处理中用到的

2017-02-18 21:04:16

行人检测论文笔记:How Far are We from Solving Pedestrian Detection?

文章疑问点Human Baseline 的标准是如何确定的?Ground-truth是什么意思?Groun-truth 指的是正确的标注(真实值)在有监督学习中,数据是有标注的,以(x, t)的形式出现,其中x是输入数据,t是标注.正确的t标注是ground truth,错误的标记则不是。(也有人将所有标注数据都叫做ground truth)。

2017-02-18 21:01:29

行人检测论文笔记:Ten Years of Pedestrian Detection, What Have We Learned?

Abstract这种新的决策林探测器在挑战性的Caltech-USA数据集上实现了当前最好的已知性能。Introduction更重要的是,这是一个有着已建立的基准和评估指标的良好定义的问题。用于对象检测的的主要范例有——”Viola&Jones变体“,HOG + SVM模板,可变形部分检测器(DPM)和卷积神经网络(ConvNets)都已经被探索用于此任务。DatasetsINRIA,

2017-02-18 21:00:33

深度学习读书笔记:DeepLearningBook - Chapter 9 - Conventional Networks

Chapter 9 Convolutional Networks(卷积神经网络)卷积网络仅仅是在其至少一个层中使用卷积代替一般矩阵乘法的神经网络。The Convolution OperationThe convolution operation is typically denoted with an asterisk: * 在卷积网络术语中,卷积的第一个参数(在本例中为函数x)通常称为

2017-02-18 20:58:39

行人检测论文笔记:Histograms of Oriented Gradients for Human Detection

相关知识点从TP、FP、TN、FN到ROC曲线、miss rateTP:true positive,实际是正例,预测为正例FP:false positive,实际为负例,预测为正例TN:true negative,实际为负例,预测为负例FN:false negative,实际为正例,预测为负例fnr+tpr=1, fpr+tnr=1miss rate = FNR = 1 - true po

2017-02-18 20:57:38

行人检测论文笔记:Fast Feature Pyramids for Object Detection?

相关知识点Overcomplete Representations:Overcomplete:Such a complete system is overcomplete if removal of a ϕj\phi _{j} from the system results in a system (i.e., ϕi((i∈J∖j)){\phi _{i}}_((i\in J\backslash {

2017-02-18 20:56:49

行人检测论文笔记:Fast Feature Pyramids for Object Detection?

相关知识点Overcomplete Representations:Overcomplete:Such a complete system is overcomplete if removal of a ϕj\phi _{j} from the system results in a system (i.e., ϕi((i∈J∖j))){\phi _{i}}_((i\in J\backslash

2017-02-18 20:26:29

查看更多

勋章 我的勋章
  • 持之以恒
    持之以恒
    授予每个自然月内发布4篇或4篇以上原创或翻译IT博文的用户。不积跬步无以至千里,不积小流无以成江海,程序人生的精彩需要坚持不懈地积累!