<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Mmm_Zzz的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Mmm_Zzz</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Mmm_Zzz]]></copyright><item><title><![CDATA[图像分割（1）--- FCN]]></title><link>https://blog.youkuaiyun.com/Mmm_Zzz/article/details/81989795</link><guid>https://blog.youkuaiyun.com/Mmm_Zzz/article/details/81989795</guid><author>Mmm_Zzz</author><pubDate>Thu, 23 Aug 2018 23:22:44 +0800</pubDate><description><![CDATA[一. 论文


Fully Convolutional Networks for Semantic Segmentation
官方github




二. 论文概述


上采样（in-network upsampling），反置卷积。该卷积层在训练过程中不学习，因为作者发现学不学习对性能提升不大。
作者用了crop来配合deconvolution层，因为反卷积后出来的heatmap的大小与原来的...]]></description><category></category></item><item><title><![CDATA[Faster rcnn（1）--- RPN原理及代码详解]]></title><link>https://blog.youkuaiyun.com/Mmm_Zzz/article/details/81917066</link><guid>https://blog.youkuaiyun.com/Mmm_Zzz/article/details/81917066</guid><author>Mmm_Zzz</author><pubDate>Wed, 22 Aug 2018 00:35:39 +0800</pubDate><description><![CDATA[一. 论文


 
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
官方版本github : detectron
pytorch版本faster rcnn




二. RPN提出的目的


用cnn来提取proposal，替代原始的slective search；由于原始的selecti...]]></description><category></category></item><item><title><![CDATA[DCGAN论文阅读笔记]]></title><link>https://blog.youkuaiyun.com/Mmm_Zzz/article/details/81879917</link><guid>https://blog.youkuaiyun.com/Mmm_Zzz/article/details/81879917</guid><author>Mmm_Zzz</author><pubDate>Mon, 20 Aug 2018 23:55:57 +0800</pubDate><description><![CDATA[一.论文链接


DCGAN
carpedm20/DCGAN-tensorflow




二.论文概要


提出了基于卷积拓扑网络的DCAGN，并且分析验证了卷积GAN的一些限制
将训练好的解码器用于分类，能达到挺好的效果
可视化GAN的一些层




三.论文细节



1) CNN的三个演进


generator中使用反卷积来上采样，discriminator中使用strided卷积来替代...]]></description><category></category></item><item><title><![CDATA[使用GAN来进行CV数据增强（一）]]></title><link>https://blog.youkuaiyun.com/Mmm_Zzz/article/details/81813934</link><guid>https://blog.youkuaiyun.com/Mmm_Zzz/article/details/81813934</guid><author>Mmm_Zzz</author><pubDate>Sat, 18 Aug 2018 22:44:15 +0800</pubDate><description><![CDATA[一.论文


Unlabeled Samples Generated by GAN Improve the Person Re-identiﬁcation Baseline in vitro
论文代码：layumi/Person-reID_GAN 




二.论文概述


使用原始数据训练DCGAN，然后根据得到的模型产生新的数据作为扩充数据用于训练
设计LSRO(label smoothing...]]></description><category></category></item><item><title><![CDATA[针对目标检测的数据增强]]></title><link>https://blog.youkuaiyun.com/Mmm_Zzz/article/details/81784758</link><guid>https://blog.youkuaiyun.com/Mmm_Zzz/article/details/81784758</guid><author>Mmm_Zzz</author><pubDate>Sat, 18 Aug 2018 00:13:57 +0800</pubDate><description><![CDATA[前言


图像的目标增强普遍的包含旋转，平移，镜像等等，比较新的包括cutout等，其实也是一种连续的dropout
图像的增强在我的理解是一种正则，增强模型的泛化能力。从原始图像中得到新的数据在信息论角度还是不太可能。
目标检测的图像增强跟普通的图像增强不同的地方是还得考虑bounding box如何进行相应的变化




增强方式（持续更新）


裁剪（会改变boundingbox）: 普通的...]]></description><category></category></item><item><title><![CDATA[focal loss论文笔记(附基于keras的多类别focal loss代码)]]></title><link>https://blog.youkuaiyun.com/Mmm_Zzz/article/details/81784756</link><guid>https://blog.youkuaiyun.com/Mmm_Zzz/article/details/81784756</guid><author>Mmm_Zzz</author><pubDate>Sat, 18 Aug 2018 00:13:35 +0800</pubDate><description><![CDATA[一.focal loss论文


Focal Loss for Dense Object Detection




二.focal loss提出的目的


解决one-stage目标检测是场景下前景和背景极度不平衡的情况（1：1000）
让模型在训练的时候更加关注hard examples（前景）。
另外two-stage的检测器是用一下两个方法来解决类别不平衡问题的： 
提取候选框的过程实际上...]]></description><category></category></item><item><title><![CDATA[dropout原理及代码解析]]></title><link>https://blog.youkuaiyun.com/Mmm_Zzz/article/details/81784753</link><guid>https://blog.youkuaiyun.com/Mmm_Zzz/article/details/81784753</guid><author>Mmm_Zzz</author><pubDate>Sat, 18 Aug 2018 00:12:58 +0800</pubDate><description><![CDATA[一.dropout概念


在训练的时候，以一定的概率使得某些神经元从网络中丢弃






二.dropout原理解释



1.从ensemble的角度理解


由于每个epoch前向的时候都是以一定概率随机的丢弃某些神经元，所以每个epoch训练的时候其实是在训练不同的网络，类似bagging。




2.从不同动机的角度来理解


类比有性繁殖和无性繁殖，无性繁殖直接从父代保留大段的优秀...]]></description><category></category></item><item><title><![CDATA[Batch Normalization论文阅读笔记]]></title><link>https://blog.youkuaiyun.com/Mmm_Zzz/article/details/81784747</link><guid>https://blog.youkuaiyun.com/Mmm_Zzz/article/details/81784747</guid><author>Mmm_Zzz</author><pubDate>Sat, 18 Aug 2018 00:12:12 +0800</pubDate><description><![CDATA[BN论文


Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift




BN优势


加速训练收敛
缓解梯度弥散




BN由来


什么是Internal Covariate Shift : 在训练过程中，隐层的输入分布老是变来变去，这就是所谓的“Intern...]]></description><category></category></item></channel></rss>