Coderii的博客

CV/DL基础知识 之 反卷积参数推导1，卷积参数表达式：2，反卷积的运算过程：3，反卷积参数的推导4，后记1，卷积参数表达式：输入size    ：in输出size    ：out卷积核size：k步长            ：spadding    ：

CV/DL基础知识 之 卷积网络感受野计算公式推导首先解释一下什么是感受野：假设将原始输入(一般是图像)img输入到网络中，某卷积层layer_i输出的特征图为map_i。map_i的感受野就是map_i中的某个元素在这个计算过程中涉及到的img的元素数量。我们一步步来。符号标记：除了上面用到的符号，我们用r_i表示map_i的感受野尺寸；k_i、s_i表示layer_i的卷积核尺寸、步长；如图：图2：我们首先计算r_1:如图2，map_1的蓝色元素，map_1中的每个元素都是由原图

论文笔记 之 Fully Convolutional Networks for Semantic Segmentation图像语义分割入门+FCN/U-Net网络解析FCN学习:Semantic Segmentation

论文笔记 之 Clockwork Convnets for Video Semantic Segmentation）1，本文解决的问题2，本文的方法1，作者的两个观察1，深层特征变化比浅层特征慢2，可以将执行过程(execution)视为网络结构(architecture)的一个方面，从而可以根据目标为网络设计计算时间表2，本文的策略1，本文解决的问题应用于单帧的语义分割直接应用于视频时，计算量太大。即如何降低视频语义分割的整体计算量和延迟？2，本文的方法通过研究视频各帧在时间上的关联，减少计算量。

论文笔记 之 Every Frame Counts: Joint Learning of Video Segmentation and Optical Flow）1，本文解决的问题1，本文解决的问题问题1：已有方法主要有两类：    1，重用之前帧的特征，提高速度    2，通过光流或序列模型来建模多帧，提高精度这两种方法均牺牲了速度和精度中的一者，换取另一者。通过光流研究语义特征空间的时间一致性。将语义分割与光

论文笔记 之 Dynamic Video Segmentation Network）1，本文解决的问题2，本文采用的策略2.1，策略依据2.2，自适应关键帧选取策略adaptive key frame scheduling policy：2.3，决策网络decision net-work：3，实验：3.1，整体有效性实验：3.2， 自适应关键帧选取策略有效性实验：3.3，DN的多种结构实验：3.4，不同的区域划分实验：3.4，区域边界重叠部分大小实验：4，参考文献：1，本文解决的问题本文是对DFF[30

论文笔记 之 Low-Latency Video Semantic Segmentation1，要解决的问题：2，本文提出的方法：3，网络结构：3.1，自适应关键帧选取网络Devs：3.2，自适应特征传递网络spatially variant convolution3.2.1，特征传递策略3.2.1，卷积核预测kernel weight predictorFtl和Fth融合网络AdaptNet：3.2.3，自适应特征传递网络流程3.3，低延迟调度Low-Latency Scheduling4，实验：4.1，

论文阅读 之 Deep Feature Flow for Video Recognition1，要解决的问题：2，本文提出的方法：3，网络结构：3.1，特征计算网络Nfeat：3.2，光流计算网络F：3.3，利用光流传播高级特征：3.4， key frame的选取策略：3.5，任务网络Ntask：3.5.1， 语义分割任务：3.5.2， 目标检测任务：3.6，算法伪代码：4，训练：5，实验5.1，速度-精度-模型相关性验证5.2，Split point of Ntask参考文献：1，要解决的问题：目标检

CV/DL基础知识 之 深入理解Batch Normalization前言关于Batch NormalizationBut， why？1，均匀分布前言关于Batch Normalization的作用和流程请参考郭耀华的博客，博主写的非常详尽了，本文主要深入探讨为什么Normalization之后，能够将神经元中激活函数的输入能够很好的集中在[-1,1]之间。一般的解释是：假设输入服从正态分布来解释，然而本人觉得这是相对片面的，本文将从多种分布来进一步研究该问题。关于Batch Normalizatio

CV/DL基本概念 之 precision/recallprecisionrecallprecision和recall的联系precision准确率，TP/(TP+FP)，表征目标识别的准确性，即模型对捕捉某一类别与其他类别的差异的能力。一般来说，如果如果将判定阈值提高，或者模型倾向于很少将样本预测为本类别，则precision可以提高，因为FP减少，但这同时导致FN迅速提高，导致recall迅速下降。recall召回率，TP/(TP+FN),表征目标识别的覆盖性，即模型对捕捉某一类别不同个体间的共