
卷积神经网络
山水之间2018
山水之间落花雨,悲欢之外快活人
展开
-
图卷积网络GCN理解
图卷积网络(Graph Convolutional Network,GCN)是近年来逐渐流行的一种神经网络结构。不同于只能用于网格结构(grid-based)数据的传统网络模型 LSTM 和 CNN,图卷积网络能够处理具有广义拓扑图结构的数据,并深入发掘其特征和规律,例如 PageRank 引用网络、社交网络、通信网络、蛋白质分子结构等一系列具有空间拓扑图结构的不规则数据。相比于一般的拓扑图而言,...原创 2019-06-12 17:31:23 · 8109 阅读 · 0 评论 -
《Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks》论文阅读之Faster R-CNN
论文阅读:https://arxiv.org/abs/1506.01497源码地址https://github.com/kevinjliang/tf-Faster-RCNN论文翻译:点这里前言Fast-RCNN基本实现端对端(除了proposal阶段外),下一步自然就是要把proposal阶段也用CNN实现(放到GPU上)。这就出现了Faster-RCNN,一个完全end-to-e...原创 2018-06-15 14:04:04 · 857 阅读 · 0 评论 -
《Fast R-CNN》论文阅读之Fast R-CNN
Fast R-CNNRoss Girshick Microsoft Research rbg@microsoft.compaper:Fast R-CNN导读Fast R-CNN在SPPNet的基础再跟进,进一步提升速度和准确率,提出了RoI层代替SPP层,实现了整个物体检测模型大部分网络的end-to-end,下面就来好好学习一下。老套路,现回顾一下: R-CNN ,SPP-netR-CNN和SP...原创 2018-06-15 10:20:58 · 1215 阅读 · 0 评论 -
《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》论文阅读之SPPNet
待更新............原创 2018-06-14 16:57:06 · 609 阅读 · 0 评论 -
《Rich feature hierarchies for accurate object detection and semantic segmentation》论文阅读之R-CNN
paper:《Rich feature hierarchies for Accurate Object Detection and Segmentation 》原创 2018-06-14 13:53:43 · 894 阅读 · 0 评论 -
Pytorch 快速入门(六)MNIST 手写数字识别之CNN
接触过深度学习的朋友对MNIST数据集肯定不陌生。基本上算是玩神经网络里的“hello,world!”本节基于MNIST数据集,实现CNN学习过程。下面是一个 CNN 最后一层的学习过程, 我们先可视化看看:MNIST手写数据 首先是数据集下载,为了看看数据集里究竟是长什么样子的,我也作了展示:# library# standard libraryimport os# third-part...原创 2018-05-29 14:43:14 · 9623 阅读 · 6 评论 -
tensorflow实现验证码生成及识别(二)
最近比较忙,之前一些博客没来得及完善,今天难得有时间,索性整理下之前的内容,让大家有个更加完整的学习过程。 如题,本篇介绍的是tensorflow实现验证码的识别,之前我们已经生成了数据集,并且转换成了tfrecord格式的文件,现在我们开始利用这个文件来进行训练及识别。 完整代码已开源到captcha识别 补充一点,我们可以有两种方法进行验证码识别,其一,把标签转为向量,向量...原创 2018-03-12 15:24:55 · 2911 阅读 · 18 评论 -
Tensorflow实现简单的卷积网络
本文将使用Tensorflow实现一个简单的卷积神经网络,使用的数据集为MNIST,预期可以达到99.2%的准确率。直接上代码。1.载入数据集。import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets("MNIST_dat...原创 2018-02-09 11:16:02 · 877 阅读 · 0 评论