- 博客(12)
- 收藏
- 关注
RSS订阅原创 Region Based CNN 系列之——(3) Faster-RCNN思路及其基础整理
基于之前两篇博客对RCNN和Fast-RCNN的介绍，现在来理解Faster-RCNN就会觉着很简单。因为Faster-RCNN就是在Faste-RCNN的基础上，做了一些改进。一、整体结构 整个网络由两个模块组成，第一个是RPN（Region Proposal Network），代替之前用传统方法（如Selective Search）进行Region Proposal的...
2019-05-05 15:49:09
369
原创 从熵、相对熵、交叉熵到机器学习的交叉熵损失与softmax损失函数
在之前学习神经网络的时候，对于损失函数这块，一直以MSE来作为理解，后来交叉熵损失出现之后，也没有深刻地将其理解，写代码时也是直接调用库函数。现在因为读一些新的文章，发现有些看不懂了，因此将这一块知识补充起来。1、熵（Entropy） 熵的概念来源于信息论，可以代表一个事件的复杂度，或者不确定性。一个事件越是不确定性大，那么就是月复杂，所提供的信息就会越多。 举个例...
2019-04-28 16:18:24
680
原创 Region Based CNN 系列之——(2) Fast-RCNN思路及其基础整理
以R-CNN思路及其基础整理和SPP-net为基础，我们便可以很好理解Fast-RCNN。一、整体结构 Fast-RCNN的整体结构主要由这几部分组成：1.对输入图片用区域推荐算法获得2000个区域，并记录下框的坐标和索引；2.用卷积神经网络对图片进行特征提取，并且将框同样映射到特征空间(也就是对应到特征图上应该在什么位置)；3.将卷积神经网络的最后一层pool层替换为...
2019-04-26 21:52:07
564
原创 SPP-net
参考文献：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition SPP-net的思路其实很简单，就是为了解决传统卷积神经网络在含有FC（全连接层）的时候，只能输入固定尺寸的图片的弊端。在传统带有FC的网络中，若想输入不同尺寸的图片，必须先将它们进行裁剪或resize。如何...
2019-04-26 11:23:00
184
原创 Region Based CNN 系列之——(1) R-CNN思路及其基础整理
现在对于从RCNN到FRCNN的论文已经有了很多优秀的博客来介绍，因此在这里，我只简单写一些思路性的东西，以及为了理解所加入的一些基础知识。一、RCNN的整体结构 如上图所示，RCNN的整体结构其实相对比较简单，首先为输入图像（可以是任意尺寸），其次通过Region Proposal 获取到约2000个候选区域，然后将这2000个候选区域直接resize成固定大小...
2019-04-25 14:30:14
464
原创 TX2上运行py-faster-rcnn 的demo并训练自己的数据集
参考 https://blog.csdn.net/sinat_20350479/article/details/785256881. 下载源码git clone --recursive https://github.com/rbgirshick/py-faster-rcnn.git可提前下载，直接解压(py-faster-rcnn.zip)2. 复制makefile，编译过...
2019-03-17 15:52:37
651
原创 机器学习中的核函数与核方法（是什么？为什么？怎么做？）
我们在学习机器学习的时候，总是会看到一个概念——核，然后看到一堆公式。但是为什么要核呢？核到底是啥玩意？云里雾里。接下来，我们将要把“核”这个东西的神秘面纱一点点揭开。一、什么是“核函数”我们都知道，机器学习（神经网络）的一个很重要的目的，就是将数据分类。我们想象下面这个数据（图1），在二维空间（特征表示为和）中随机分布的两类数据（用圆圈和叉叉表示）。如果我们想要将这两类数据进行分...
2018-11-21 15:20:14
26867
13
原创 形象理解线性代数（四）——向量的点乘（点积，内积）和叉乘（外积）
一、向量的点积首先，我们知道向量的点积公式定义： (1)但是当学过内积之后，我们对其又有了新的表述形式 (2)我们来看定义（2），一个那么美妙的式子。在图中去理解好像更容易一些：这不就是相当于x向量的长度乘以y向量在x方向上投影的长度吗。二、向量的叉积同样，我们来看下叉积的定义： ...
2018-11-21 10:47:24
10712
2
原创 形象理解线性代数（三）——列空间、零空间（核）、值域、特征值（特征向量）、矩阵与空间变换、矩阵的秩
这里，我们还是要以 形象理解线性代数（一）——什么是线性变换？为基础。矩阵对向量的作用，可以理解为线性变换，同时也可以理解为空间的变换，即（m*n）的矩阵会把一个向量从m维空间变换到n维空间。一、矩阵的列空间与矩阵的秩以及值域的关系矩阵的列空间，其实就是矩阵的列所组成的空间。比如我们考虑一个（3*2）的矩阵,他的列空间就是向量和向量所能组成的空间。在这里，我们有两个向量，所以矩阵的列秩为2...
2018-11-20 12:48:46
13924
2
原创 形象理解线性代数（二）——行列式的意义
通过形象理解线性代数（一）——什么是线性变换？，我们已经知道，原来矩阵的作用就是对向量的线性变换，而且更具体地讲，是对原空间的基底的变换。如果原空间的基底是，那么变换后的新的基底应该就相当于用A对旧的基底进行变换（缩放和旋转），并且新的基底(,)。其中代表矩阵的列向量。一、行列式与两组基所围成的面积之间的巧合示例对于矩阵，相当于把原来的基变成了，那么两组基所围成的面积，在图上看，得到，...
2018-11-19 20:37:51
3005
原创 形象理解线性代数（一）——什么是线性变换？
在之前学习线性代数的时候，我们总是说矩阵乘以向量就是对其进行了线性变换，而且我们可以很容易的计算出结果，但是我们并不知道其在形象的几何角度有什么意义。于是我们可以这样来理解：首先，向量可以有三种表示形式，带有箭头的有向线段，符号以及，下面我们将在这三种表示中来回转换，并且以二维空间为例，来说明其中之奥秘。一、向量在空间中的表示任何一个空间都可以由一组基构成，言外之意，这个空间上的任何一...
2018-11-19 15:52:17
39814
4
原创 深刻理解空间（线性空间，度量空间，赋范空间，线性赋范空间，内积空间，巴拿赫空间以及希尔伯特空间）
在我们学习矩阵理论和统计理论的时候，总是会出现“**空间”。在之前的时候对于空间理解的过程中，总是试图拿出一个具体的例子来加深自己的理解。但是这样做是不对的，因为如果说对于类似“欧几里何空间”这样的空间，跟我们生活中的三维空间极为相似，我们确实可以想象到一个具体的例子，但是对于类似“希尔伯特空间”之类的，我们很难用一个具体的实例来印证。所以，“**空间”到底是个什么东西呢？很感谢交大王老师的公...
2018-11-17 21:36:12
31348
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人