Handy521的博客

1、视觉任务分类任务，每张图片安排一个标签联系图片上的主要物体；定位任务，一个边界框预测对象返回一个类比，必须和GT 的IoU>0.5;检测任务 每个图像中可以有任意数量的对象，FP通过mAp惩罚。3.3多尺度分类测试每个location多个尺度通过一个全卷积网络，每个尺度输出一个C-dimensional向量。输入图片6个尺度再加上水平翻转输入网络，unpool层增广，池化...

1、Introduction一个RPN是一个全卷积网络同时预测每个位置的对象分数和对象边界。On top of these conv features(除了这些卷积特征)，我们建立一个RPNs通过增加两个额外的卷积层，一个是编码每个卷积图的位置转换成一个短的特征向量（例如256维），另一个在每一个卷积图的位置，输出一个目标分数和回归k个（k=9）区域建议框参数化坐标（坐标偏移量）和不同的尺度和...

3.MethodDeep架构一个黑盒：ZF和inception。学习一个端到端的网络，在末端，我们使用三元组损失直接映射到我们想要的人脸确认、识别、聚类。我们要完成一个嵌入函数f（x），计算一张图片x到一个特征空间。在这个空间，所有人脸的平方距离，相同身份距离小，不同身份距离大。三元组损失，尝试增加一个margin对不同身份的人脸，允许一个身份的人脸处于一个量级，增加不同身份之间的距离...

参考博客https://blog.youkuaiyun.com/Quincuntial/article/details/78564389Abstract只要有足够的标签数据，增加模型尺寸和计算时间对大多数任务有用。Here we are exploring ways toscale up networks in ways,目的式通过适当的分解卷积核积极的正则化来尽可能地有效利用增加地计算。Intr...