glory_lee的博客

本文转载自深度学习大讲堂摘要       近年来，深度学习方法在物体跟踪领域有不少成功应用，并逐渐在性能上超越传统方法。本文对现有基于深度学习的目标跟踪算法进行了分类梳理，希望能给读者带来启发。       开始本文之前，我们首先看上方给出的3张图片，它们分别是同一个视频的第1，40，80帧。在第1帧给出一个跑步者的边框(bounding-box)之后，后续的第40帧，

作为计算机视觉的重要组成部分，最近几年有很多的目标跟踪算法提出。在如何评价算法性能方面也相继有一些方法和视频序列提出。本篇博客主要对2015年发表于IEEE上一篇《Object Tracking Benchmark》当中提出的OPE、TRE、SRE三个基本评价方法进行讲解，同时也会简单介绍一下Precision Plot、Success Plot的matlab实现方法。

caffe中本来提供了用以对net进行可视化的python接口，可以以流程图的方式对net进行展示。但怎奈又需要再次对python接口、环境进行调试，运行时也要再次编译pycaffe，实在是有些麻烦。后在网上几经寻找找到了一个可视化网站——Netscope。 只需要将prototxt文件当中的net定义拷贝至网页中即可得到可视化的模型。这里给出一个16层VGGnet模型示例。name: "VGG_I

在前面的文章中，我们介绍了全连接神经网络，以及它的训练和使用。我们用它来识别了手写数字，然而，这种结构的网络对于图像识别任务来说并不是很合适。本文将要介绍一种更适合图像、语音识别任务的神经网络结构——卷积神经网络(Convolutional Neural Network, CNN)。说卷积神经网络是最重要的一种神经网络也不为过，它在最近几年大放异彩，几乎所有图像、语音识别领域的重要突破都是卷积

Caffe学习系列(11)：图像数据转换成db（leveldb/lmdb)文件在深度学习的实际应用中，我们经常用到的原始数据是图片文件，如jpg,jpeg,png,tif等格式的，而且有可能图片的大小还不一致。而在caffe中经常使用的数据类型是lmdb或leveldb，因此就产生了这样的一个问题：如何从原始图片文件转换成caffe中能够运行的db（leveldb/lmdb)文件？

因为近来一直在看几篇用CNN做单目标跟踪的paper，所以也想做一下实验了解一下具体实现的效果，遂决定在电脑上搭一下环境。本人使用的是Ubuntu 16.04版本，加上caffe和GPU加速运算的CUDA，最后是调用caffe接口的matlab，具体的教程网上也比较多，但与此同时也带来了一些问题，在我搭建环境的过程中也是遇到了这样或者是那样的问题，写这篇博客的话也主要是和大家来分享一下，让后来人少走弯路

最近一段时间时间在看Caffe的架构和代码，在Blob的数据结构里面发现主要存储了两类内容：一类是数据data_,另一类是diff_。作为半路出家研究机器学习的我来说就大概了解了一下线性回归的基本内容，对梯度下降的方法也做了了解。好在两个部分内容都不是特别复杂，理解起来也不会太困难。线性回归参考（一）线性回归与特征归一化(feature scaling),作者写的很清楚，我就不再浪费时间了。梯度下降

无监督学习近年来很热，先后应用于computer vision, audio classification和 NLP等问题，通过机器进行无监督学习feature得到的结果，其accuracy大多明显优于其他方法进行training。本文将主要针对Andrew的unsupervised learning，结合他的视频：unsupervised feature learning by Andrew

Let's say you have input data x and you want to classify the data into labels y. A generative model learns the joint probability distribution p(x,y) and a discriminative model learns the conditional