Arthur_Holmes的博客

好像之前听过类似的这个课了，连PPT都是一样的，只不过是中文的，哈哈哈，算啦，不看了，有空再补剩下的18h视频先占个坑

https://www.bilibili.com/video/av18443065/?p=485%的数据都是图像视频数据从三维建模跳到了识别，回到了AI2012CNN模型使用...

本文摘录自《手机端运行卷积神经网络的一次实践 – 基于 TensorFlow 和 OpenCV 实现文档检测功能》 只截取...

论文全称：Holistically-Nested Edge Detection亮点1、基于整个图像的训练和预测2、多尺度和多水平的特征学习3、基于FCN和VGG 改进4、通过多个side output输出不同scale的边缘，然后通过一个训练的权重融合函数得到最终的边缘输出。可以solve edge...

论文：https://arxiv.org/pdf/1908.03826.pdf代码：https://github.com/TAMU-...

论文：Non-local Neural Networks for Video Classification 论文链接：https:/...

GAN原理，优缺点、应用总结 本文已投稿至微信公众号–机器学习算法全栈工程师，欢迎关注1.GAN的...

<div class="rich_media_content"> <p style="line-height:1.75em;text-align:justify;margin-left:8px;margin-...

一、Inception网络（google公司）——GoogLeNet网络的综述获得高质量模型最保险的做法就是增加模型的深度（层数）或者是其宽度（层核或者神经元数），但是这里一般设计思路的情况下会出现如下的缺陷：1.参数太多，若训练数据集有限，容易过拟合；2.网络越大计算复杂度越大，难以应用；3.网络越深，梯度越往后穿越容易消失，难以优化模型。 解决上述两个缺点的根本方法...

inception（也称GoogLeNet）是2014年Christian Szegedy提出的一种全新的深度学习结构，在这之前的AlexNet、VGG等结构都是通过增大网络的深度（层数）来获得更好的训练效果，但层数的增加会带来很多负作用，比如overfit、梯度消失、梯度爆炸等。inception的提出则从另一种角度来提升训练结果：能更高效的利用计算资源，在相同的计算量下能提取到更多的特征，从而...

本文简要介绍了 Inception 家族的主要成员，包括 Inception v1、Inception v2 和 Inception v3、Inception v4 和 Inception-ResNet。它们的计算效率与参数效率在所有卷积架构中都是顶尖的，且根据 CS231n 中所介绍的，Inception V4 基本上是当前在 ImageNet 图像分类任务 Top-1 正确率最高的模型。Inc...

背景CNN能够对图片进行分类，可是怎么样才能识别图片中特定部分的物体，在2015年之前还是一个世界难题。神经网络大神Jonathan Long发表了《Fully Convolutional Networks for Semantic Segmentation》在图像语义分割挖了一个坑，于是无穷无尽的人往坑里面跳。全卷积网络 Fully Convolutional Networks...

这篇文章是Densely Connected Convolutional Networks的解读，在精简部分内容的同时补充了相关的概念...

Densely Connected Convolutional Networks ,作者清华姚班的刘壮，获得cvpr 2017 best paper。非常值得阅读。DenseNet优势：（1）解决了深层网络的梯度消失问题（2）加强了特征的传播（3）鼓励特征重用（4）减少了模型参数DenseNet的网络基本结构如上图所示，主要包含DenseBlock和transition layer...

论文：Densely Connected Convolutional Networks 论文链接：https://arxiv.org...

欢迎访问Oldpan博客，分享人工智能有趣消息，持续酝酿深度学习质量文。前言很多人都说训练神经网络和炼金术师炼药的过程相像，难以破解其中的黑盒子。其实不然，在训练的时候我们依然可以通过大量的技巧去最大化我们的训练效果，从而帮助我们的任务取得不错的精度，这些技巧是训练神经网络不可缺少的一环。本文尽可能说明训练过程中所需要的各种小技巧，会有不完善的地方，限于篇幅每个点不会说很细，但是这些观念是我们都需...

据说开始训练神经网络很容易，许多库和框架都以可以用30行的奇迹代码片段解决你的数据问题而自豪，给人一种即插即用的(错误)印象。常见的做法是：123 copy>>> your_data = # plug your awesome dataset here>>> model = SuperCrossValidator(SuperDuper.fit, your_da...

在使用detectron2的时候from detectron2.engine import DefaultPre发生了报错 File "<stdin>", line 1, in <module> File "/home/anaconda3/envs/detectron2/lib/python3.6/site-packages/detectron2/engine/__init__.py", line 11, in <module> from .hooks

U-Net在深度学习应用到计算机视觉领域之前，人们使用 TextonForest 和 随机森林分类器进行语义分割。卷积神经网络（CN...

在图像分割领域，不像单纯的图像分类任务，任务一般要求不仅输出图像的类别，还要告诉我类别图像的位置。一般数据的输入是一个图像（多通道或单...

最近在研究全卷积神经网络在图像分割方面的应用，因为自己是做医学图像处理方面的工作，所以就把一个基于FCN（全卷积神经网络）的神经网络用...

神经网络量化简介黎明灰烬​阿里巴巴 机器学习工程师128 人赞同了该文章原载于黎明灰烬 博客。采用知识共享 署名-非商业性使用-禁止演绎 4.0 国际许可授权，转载请注明出处。文章是从 Neural Network Quantization Introduction 转译而来，因此有些翻译感，对原文感兴趣亦可直接查看。知乎似乎不支持对公式编号，如果公式和文字的联系对你比较重要，建议参考原文。前言计...

        在描述GPU的性能的时候，我们常常用到FLOPS进行描述。FLOPS是Floating-point Operations Per Second的简写，即每秒所能够进行的浮点运算数目（每秒浮点运算量). 在以往形容GPU的运算...

ASPP： Atrous Spatial Pyramid Poolingdeeplabv2中的aspp如上图所示，在特征顶部映射图使用了四中不同采样率的空洞卷积。这表明以不同尺度采样时有效的，在Deeolabv3中向ASPP中添加了BN层。不同采样率的空洞卷积可以有效捕获多尺度信息，但会发现随着采样率的增加，滤波器有效权重（权重有效的应用在特征区域，而不是填充0）逐渐变小。如下图当我们以不同采样率的3*3卷积核...

本文解读的是ECCV 2020 论文《Improving Semantic Segmentation via Decoupled Body and Edge Supervision》，作者来自北京大学、牛津大学、商汤科技以及之江实验室。本论文解读首发于“AI算法修炼营”。作者 | SFXiang编辑 | 丛 末论文地址：https://arxiv.org/pdf/2007.10035.pdf代码地址：https://github.com/lxtGH/DecoupleSegNets现有的语义分割方法要么通过对

翻译不易，麻烦 Ctrl-C Ctrl-V 之后标注转载并加上原译者！！部分内容翻译，部分内容原创。内容较多，可以传送门直达。新...

1.介绍    在讲感知损失函数之前，我们先讲一下，网络所提取到的特征代表什么，在下图中，layer1,layer2学到的是边缘，颜色，亮度等底层的特征；layer3开始变得复杂，学到的是纹理的特征，Layer4则学到的是一些有区别性的特征，Layer5学到的特征是比较完整的，具有辨别性的关键特征。可以知道CNN学习到的特征逐渐抽象到更高级别上。     &nb...

最近看了下 PyTorch 的损失函数文档，整理了下自己的理解，重新格式化了公式如下，以便以后查阅。值得注意的是，很多的 loss 函数都有 size_average 和 reduce 两个布尔类型的参数，需要解释一下。因为一般损失函数都是直接...

原标题：总结 | 计算机视觉领域最常见几中损失函数 作者： Sowmya Yellapragada 编译：ronghuaiyang 导读 损失函数在模型的性能中起着关键作用。选择正确的损失函数可以帮助你的模型学习如何将注意力集中在数据中的正确特征集合上，从而获得最优和更快的收敛。 计算机视觉是计算机科学的一个领...

<p class="MsoNormal"><a name="_Toc10802404">致谢李宏毅老师的视频教程：</a><a href="https://www.bilibili.com/video/av46561029/?p=32"><span lang="EN-US">https://www.bilibi...

理解全连接层：连接层实际就是卷积核大小为上层特征大小的卷积运算，卷积后的结果为一个节点，就对应全连接层的一个点。（理解）假设最后一个卷积层的输出为7×7×512，连接此卷积层的全连接层为1×1×4096。如果将这个全连接层转化为卷积层：1.共有4096组滤波器2.每组滤波器含有512个卷积核3.每个卷积核的大小为7×74.则输出为1×1×4096由于每个滤波核的大小和上一层的feature ...

KNN分类算法 监督学习 数据集是带Label的数据 没有明显的训练过程，基于Memory-based learning K值含义 - 对于一个样本X，要给它分类，首先从数据集中，在X附近找离它最近的K个数据点，将它划分为归属于类别最多的一类K-means聚类算法 非监督学习 数据集是无Label，杂乱无章的数据 有明显的训练过程 K值含义- K是事先设定的数字，将...

原文链接https://zhuanlan.zhihu.com/p/38525412这是我见过的最好的讲梯度下降的文章，感谢大佬特意转发存储侵权删写在前面 上周末和一位学金融的师兄吃饭回来的路上，偶然间聊到了深度学习中的梯度下降方法，于是便有了下述的对话。师兄：为什么要沿着梯度的反方向更新参数？我：因为我们的目标是使损失函数值最小，而梯度的方向是函数值增加最快的方向，因此要...

还有就是从线性到非线性对于二分类任务，似然函数是 整合之后的函数的累乘，例如档y=0时，如果预测值越接近于0,则最后的值会更大。所以如下图所说的是要求最大值。似然函数就是把一个batch中所有的样本数据的整合前以及整合后（带入y的值），整合是为了方便展示似然函数就是一个用来描述 斯塔 参数和x数据进行组合之后，求出的值与真实值之间误差大小的函数，一个关于 斯塔的函...

Q1:为什么是似然函数是累乘？（可以参考以下链接https://zhidao.baidu.com/question/473897853.html似然函数 什么样的参数跟我们的数据组合之后离真实值越近似然函数是关于参数的函数似然函数中，真实值与预测值越接近，似然函数值就越大所以似然函数越大越好去掉常数项就是最后的最小二乘法（越小越好）线性回归...

卷积神经网络是一个多层的神经网络，每层由多个二维平面组成，而每个平面由多个独立神经元组成。       图：卷积神经网络的概念示范：输入图像通过和三个可训练的滤波器和可加偏置进行卷积，滤波过程如图一，卷积后在C1层产生三个特征映射图，然后特征映射图中每组的四个像素再进行求和，加权值，加偏置，通过一个Sigmoid函数得到三个S2层的...

1.均方误差：MSE是最经典也是最简单的损失函数，几乎万能，但是不太准确。2.binary_crossentropy交叉熵损失函数，一般用于二分类：3.categorical_crossentropy分类交叉熵函数：n是样本数，m是分类数。一般来说，如果最后一层接上softmax作为分类概率输出时，都会用categorical_crossen...

对于初学者来讲，有几个概念容易混淆：（1）iteration：表示1次迭代（也叫training step），每次迭代更新1次网络结构的参数；（2）batch-size：1次迭代所使用的样本量；（3）epoch：1个epoch表示过了1遍训练集中的所有样本。值得注意的是，在深度学习领域中，常用带mini-batch的随机梯度下降算法（Stochastic Gradient Desc...

首先说结论：Bias is reduced and variance is increased in relation to model complexity在下面的图中就是。。。从右下角到左上角国内翻译或者写的都是XXX ！找了国内的文章看了半天看不懂，而且好像讲的还都有些出入。然后翻到一篇国外的文章，读了一开头就什么都明白了！这是国内说的：机器学习训练要保证模型在训...

什么是模式识别？当我们人眼看到一幅画时，我们能够很清晰的知道其中哪里是动物，哪里是山，水，人等等，但是人眼又是如何识别和分辨的呢，其实很简单，人类也是在先验知识和对以往多个此类事物的具体实例进行观察的基础上得到的对此类事物整体性质和特点的认识的，并不是人类原本就有对这类事物的记忆，就好比婴孩时期的我们，并不知道什么是狗，什么是帅哥，什么是美女，但是随着我们的慢慢长大，我们观察的多了，见的多...