5 灰巧克力爱松露

尚未进行身份认证

Σ( ° △ °|||)︴不更,忙完,想...休息~

等级
TA的排名 1w+

Wasserstein GAN

来自Martin Arjovsky等人的“Wasserstein GAN”。

2017-03-12 10:00:48

对抗的训练来从模拟和无监督图像中学习

来自Ashish Shrivastava等人的文章“Learning from Simulated and Unsupervised Images through Adversarial Training”。

2017-02-15 08:52:39

检测9000类物体的YOLO9000

本想总结一下,看完发现整篇文章多余的话有点少。YOLO的实时性众所周知,所以还等什么,皮皮虾我们走~

2017-02-11 12:58:36

用核化的相关滤波器来高速跟踪

原文来自 Joao F. Henriques 等人的“High-Speed Tracking with Kernelized Correlation Filters”。

2016-11-18 15:07:55

使用快速权重来关注最近的过去

Jimmy Ba 及 Geoffrey Hinton 等人的文章“Using Fast Weights to Attend to the Recent Past”。

2016-10-31 14:38:10

反卷积与棋盘效应

来自GoogleBrain的AugustusOdena等人的文章“DeconvolutionandCheckerboardArtifacts“的部分内容。

2016-10-23 23:12:27

对抗的深度卷积生成网络来学习无监督表示

Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks.

2016-10-03 23:34:16

与判别网络对抗的生成网络 (Generative Adversarial Nets)

Generative Adversarial Nets / GANs

2016-10-01 01:11:50

循环和递归神经网络 (RNN) 与 长短时记忆 (LSTM)

即使不是 NLPer,现实中依然会面对很多序列问题。全文内容来自 Ian Goodfellow, Yoshua Bengio 和 Aaron Courville 3位大老爷的作品“Deep Learning”的其中一章“Sequence Modeling: Recurrent and Recursive Nets”。

2016-07-13 10:35:49

R-FCN:基于区域的全卷积网络来检测物体

CVPR2016阅读~原文标题为“R-FCN:ObjectDetectionviaRegion-basedFullyConvolutionalNetworks”。

2016-06-29 14:07:07

CRAFT:级联的区域建议网络与快速RCNN结合

Benchmark上采用卷积神经网络提取特征的物体检测,通过改变卷积网络每层的参数似乎已羞于灌水~ 不过依然有人在指标上有一点改进,以国内李子青组的Bin Yang在 CVPR 2016 上发表的文章“CRAFT: Objects from Images”为例,看看基于卷积神经网络的物体检测问题还能怎么展开工作。

2016-06-27 09:53:15

FPGA视觉从入门到放弃——稀疏编码的原理与简单应用

先试一下它的效果。根据MNIST公开的分类器,误分类率小于0.6%的与卷积网络相关的方法主要有两种:2008年的“无监督稀疏特征 + 支持向量机”和起始于1998年的“卷积网络”。两者的特征提取分别基于稀疏编码和卷积神经网络。

2016-06-23 22:35:30

FPGA视觉从入门到放弃——小波矩与支持向量机刷MNIST

小波矩是FPGA板已有的模块,而深度学习框架下的MNIST的测试准确率可轻松地到99%以上。这里得到的效果不足以超越后者,由于内部影响依然做了该实验。所以,这些时间只够买个教训~

2016-06-21 16:12:00

FPGA视觉从入门到放弃——懒人的支持向量机

支持向量机曾是机器学习领域中的主流方法。针对小样本,现在用起来依然很方便。同时,该方面的工具和教程多得数不清。所以这里引用老师木的话就很合适:“经常,有些事还没做就已经知道它无意义,于是就没做;有些事做不做都知道无意义,还是蠢蠢欲动”。本篇围绕“用现有的库把自己的代码工作量减到最小”为话题,以比大多教程尽量简单的支持向量机理论和实践为例,讲述软件与硬件(DSP或FPGA等)结合时偷懒的方法。

2016-05-31 00:10:04

FPGA视觉从入门到放弃——削苹果剩下的小波矩

与特征点等主流方法相比,小波矩是计算机视觉中古老的偏方,追溯到1962年。虽很少提及,但该方法的思路比较有意思。后面以小波矩”从哪里来用到哪里去“为主线描述。数学渣顺便强行解释一波理论,请原谅我这里教材式的引用。~( ̄▽ ̄)~( ̄▽ ̄)~

2016-05-27 03:21:09

FPGA视觉从入门到放弃——可变光照下结构化模板对边缘提取的影响

FPGA视觉从入门到放弃——可变光照下结构化模板对边缘提取的影响1. 结构化模板FPGA视觉和计算机视觉的硬件区别在于,计算机(无GPU)串行运行代码,FPGA编译后生成并行计算的逻辑电路。计算机运行时可以边加载边释放内存空间,FPGA烧写后的电路是固定不变的从而无法释放空间。所以,实验中用到的大小为180*180的模板,在PC上运行没有问题,但在FPGA上因为硬件资源有限该模板并

2016-05-06 22:19:11

FPGA视觉从入门到放弃——灰度直方图提取

FPGA视觉从入门到放弃——灰度直方图提取一.贴士1.系统寄存器sysreg0相同的1位线:collect_enable,FPGA_A_DSP_B,DSP_reset_FPGA;2.系统寄存器相同的16位线:pix_num_threshold,crmaxmin,cbmaxmin。3.连接系统寄存器的线通常用于设置参数,这里用于设置矩形框的位置。 二.FPGA代码分析

2016-04-23 00:10:25

FPGA视觉从入门到放弃——Canny算子

FPGA视觉从入门到放弃——Canny算子一.FPGA视觉从入门到放弃简介本笔记仅适合实验室内部的FPGA图像采集卡,并不适合计算机视觉中的高大上场合,但功耗和速度很阔怕,同时方法简单得阔怕。毕竟没有什么方法或工具可以永远时尚下去,所以从入门到放弃也算是进步之选嘛~二.Prefix1.常用变量术语CLK    时钟20nsLLC

2016-04-21 21:37:08

Caffe与Lasagne使用——人脸关键点检测

Caffe与Lasagne 使用——人脸关键点检测一. Caffe求解回归问题在使用Lasagne之前,我尝试用Caffe做回归问题。毕竟Lasagne是基于Theano的,所以训练速度上Caffe占优。1. 尝试方法清理掉标签数据中的NaN值后,尝试过下述方法:(1) 输出数据根据最大值和最小值归一化到[0,1]区间内......

2016-04-13 17:28:52

Doppia(version-2)编译

Doppia(version-2)编译1. Doppia简介该C++和CUDA代码提供从立体图像中估计stixels,从单幅图像中检测行人和为新类训练检测器[1]。2. Doppia编译参考JpHu分四部分讲述Doppia version-1的编译及其准备工作[6],介绍得很详细。不过第四部分他和我遇到的问题出入比较大。我遇到的是由于CUDA_N

2015-12-23 15:14:36

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!