懒人元-CSDN博客

原创 YOLO V2解析

YOLO V2是YOLO系列的第二版，在YOLO V1的基础上加以改进，改善了YOLO V1定位不准的问题，又保证了检测的速度，可谓集准确性与速度于一身（YOLO V2获得了CVPR2017的最佳论文提名）。YOLO V2的原文提出了两个模型：YOLO V2和YOLO9000，本文主要着重YOLO V2，下面让我们一同走进YOLO V2的世界。Outlines：YOLO V2 vs V1；...

2018-09-24 00:03:25 4652 20

原创 YOLO V1解析

YOLO（You Only Look Once) 是可谓是第一个相对成功One-Stage物体检测，在2016年被提出，本着速度的优势一跃成为与RCNN系列并驾齐驱的物体检测框架。YOLO V1指标：YOLO V1 mAP和FPS对比：YOLO V1的速度和准确率在2016年时还是很“稳”的，所以很多重速度的系统，会优先考虑YOLO。我们也可以发现，YOLO V1不仅速度快，准确率...

2018-09-02 23:27:55 3620 1

原创 Python学习笔记

functools partial：from functools import partialdef add(a, b, c): return a + b + cFixA_Add = partial(add, 1)add(1, 2, 3)## 6FixA_Add(2, 3)## 6自定义partial函数：def partial(func, *part_args): de...

2018-06-29 11:21:14 469

使用FPN等训练的缺点：1）传统的ResNet或者VGG的stride等于32，按照每次输入图片的尺度减少2来计算，有5个stage（P1-P5），而FPN中存在P6，RetinaNet中存在P6和P7，而P6和P7是没有被预训练过的。（然而P6和P7已经对任务很敏感了，还需要预训练么，会不会多余？）2）对于大物体的回归相对弱一些，在FPN等物体检测网络中，大物体是在比较深的特征图上预测（因为深的...

2018-06-11 01:27:45 14947 11

原创 ResNetV2：ResNet深度解析

ResNet残差网络，想必大家一定很熟悉了，那么先考考大家，下面（1）-（5）的结构哪个是我们常用的ResNet结构？其中weight指conv层，BN指Batch Normalization层，ReLU指激活层，addition指相加；根据ResNet的描述，似乎以上五组都符合，那么2016年ResNet原文是哪一个结构呢？以及其他四组结构也都work么？我们不禁有了这两个疑问，伴随着

2018-05-09 01:02:01 24153 11

原创 ResNet解析

ResNet在2015年被提出，在ImageNet比赛classification任务上获得第一名，因为它“简单与实用”并存，之后很多方法都建立在ResNet50或者ResNet101的基础上完成的，检测，分割，识别等领域都纷纷使用ResNet，Alpha zero也使用了ResNet，所以可见ResNet确实很好用。下面我们从实用的角度去看看ResNet。1.ResNet意义随着...

2018-01-14 18:04:00 351088 99

原创 Fisher Information学习笔记

Fisher Infomation的意义Fisher Information 顾名思义，就是用来衡量样本数据的信息量的，通常我们有一组样本，我们在机器学习中需要估计出样本的分布，我们是利用样本所具有的信息量来估计参数的，样本中具有的信息量越多，估计的参数越准，样本的分布估计的就越接近真实分布，这里的信息量就是用Fisher Information来表示的。什么样本信息量比较大？我们用样本发生的概率来

2017-09-15 19:42:32 21643 10

原创 Softmax层解析

这里我们简单介绍一下Caffe是如何实现Softmax层的，通常我们使用的是SoftmaxWithLossLayer，这里我们仅仅讲讲Caffe的SoftmaxLayer定义输入在Caffe的世界里，每一层的输入叫做Bottom，输出叫做Top，而Caffe的Forward就是通过Bottom计算Top的过程，而Backward这是通过Top_diff计算Bottom_diff的过程。我们

2017-07-18 21:40:01 4108

原创 ROI Pooling层解析

ROI Pooling的意义ROIs Pooling顾名思义，是Pooling层的一种，而且是针对RoIs的Pooling，他的特点是输入特征图尺寸不固定，但是输出特征图尺寸固定；什么是ROI呢？ROI是Region of Interest的简写，指的是在“特征图上的框”；1）在Fast RCNN中， RoI是指Selective Search完成后得到的“候选框”在特征图上的映射

2017-03-03 21:19:43 110929 29

原创 Batch Normalization Caffe版实现解析

建议先看论文Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift，这样会对本文有更好的理解；同时使用Batch Normalization的GoogLENet也被称为Inception v2；Batch Normalization Caffe版实现解析BatchN

2017-02-22 17:21:08 7033 3

原创 Make基础知识点科普

Makefile规则： target：prerequisites command 其中target为目标文件，prerequisites为生成目标文件所需要的依赖文件，command是make需要执行的命令；注1：make并不管命令是怎么工作的，他只管执行所定义的命令；make会比较target和prerequisites文件的修改日期，如果prerequisites的日期新，则更新ta

2017-02-12 19:25:36 2575

原创 RPN 解析

RPN全称是Region Proposal Network，Region Proposal的中文意思是“区域选取”，也就是“提取候选框”的意思，所以RPN就是用来提取候选框的网络；1. RPN的意义RPN第一次出现在世人眼中是在Faster RCNN这个结构中，专门用来提取候选框，在RCNN和Fast RCNN等物体检测架构中，用来提取候选框的方法通常是Selective Se

2017-01-12 11:10:09 99880 107

原创使用Torch nngraph实现LSTM

什么是RNN RNN：多层反馈RNN（Recurrent neural Network、循环神经网络）神经网络是一种节点定向连接成环的人工神经网络。这种网络的内部状态可以展示动态时序行为。不同于前馈神经网络的是，RNN可以利用它内部的记忆来处理任意时序的输入序列，这让它可以更容易处理如不分段的手写识别、语音识别等。——百度百科下面我们看看抽象出来的RNN的公式： ht=θϕ(ht−1)+θx

2016-01-29 23:17:01 8707 4

原创 Android Bitmap太大导致ImageView不显示的问题

今天做我们的智能相册的项目时，遇到了非常神奇的问题，当照片太大时，导致ImageView.setImageBitmap不显示，上网上搜了很多办法，感觉都不是那么靠谱，最后使用了简单粗暴的手段：//Bitmap too large to be uploaded into a textureBitmap bm = BitmapFactory.decodeFile(imagePath);Display

2016-01-29 10:31:42 10850 1

原创使用JNA，让java调用原生代码

JNA定义：JNA：java Native Access，是SUN公司开发的基于JNI的框架，JNI使得Java能够调用原生的c或者c++代码。JNA与JNI的区别：性能：JNA在性能上不如JNI，由于JNA是在JNI的基础上封装了一层。移植性：JNA的可移植性要好于JNI，因为开发者不需要再编写作为代理的动态链接库。使用：JNI使用native关键字，使用一个个java方法映射原生方法，利

2016-01-16 19:48:20 7698

原创 Torch实现ReQU，和梯度验证

重写函数我们使用torch实现我们自己的ReQU模块。在实现一个新的layer之前，我们必须了解，我们并非重写forward和backward方法，而是重写里面调用的其他方法。 1）重新updataOutput方法，从而实现forward方法。 2）重写updataGradInput方法实现部分backward，计算loss函数相对于layer输入的导数，dloss/dx, 根据loss函数相对

2016-01-10 23:39:37 4906

原创 Torch中optim的sgd(Stochastic gradient descent)方法的实现细节

Torch中optim的sgd(Stochastic gradient descent)方法的实现细节Overviewsgd的全称是Stochastic gradient descent，关于Stochastic gradient descent我们不在本文详述。 Stochastic gradient descent https://en.wikipedia.org/wiki/Stochast

2015-12-26 18:02:11 13003

lanran2的博客