谢军的博客

欢迎使用Markdown编辑器写博客1 Scott Schaefer, Travis McPhail, and Joe Warren. 2006. Image deformation using moving least squares. ACM Trans. Graph. 25, 3 (July 2006), 533-540.1 Scott Schaefer, Travis McPhail,

FCN-DenseNet

DenseNet

RCNN - Bounding-box Regression 详解

目录用 [TOC]来生成目录：目录网络架构8大模块前2个模块34模块5模块6模块78模块激活函数Dropout 多GPU通信 网络细节和特点“黑体” “黑体” “黑体”1.网络架构整个alexnet网络的架构如下图所示： 注意：输入层的大小其实是227*2278大模块整个网络可以分成8个大模块，其中前5模块四卷积模块，用于提取图片特征，后3个模块是全链接层，用于图像分

FAST-RCNN

FASTER-RCNN

SPP-NET

RCNN论文讲解NMS学习讲解

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（CNN）不仅对图像识别有所帮助，也对语义分割领域的发展起到巨大的促进作用。语义分割任务最初流行的深度学习方法是图像块分类（patch classification），即利用像素周围的图像块对每一个像素进行独立的分类。使用图像块分类的主要原因是分类网络通常是全连接层（full

Lenet是一个用来识别手写数字的最经典卷积神经网络，是Yann LeCun在1988年设计并提出的，是早期卷积神经网络中最有代表性之一，其论文是CNN领域第一篇经典之作。

Alexnet 1 网络架构整个alexnet网络的架构如下图所示： 注意：输入层的大小其实是227*2278大模块整个网络可以分成8个大模块，其中前5模块四卷积模块，用于提取图片特征，后3个模块是全链接层，用于图像分类！ 前2个模块34模块5模块6模块78模块 2 激活函数Hinton提出使用Relu激活函数效果更好！ 从ReLU提出之后相继又出现很多新的激活函数，如PReLU,Leak

深度神经网络不是越深越好当深度神经网络特别深的时候，识别的错误率反而可能更高，如论文中所示，56层的神经网络识别的训练和测试阶段的错误率反而比20层的要高。 改造VGG19如上图所示，分别为VGG-19,34层返照VGG的结构，加入block之后结构。 Block如上图所示，是将输入之前的神经网络和经过两个卷积的神经网络进行了相加。 其计算公式如上图所示，其中Ws是用来调节维度用。 可以

Deep Learning for Health Informatics这篇文章的整体思路如下所示，非常清爽直观！ 健康信息学领域5个大方向的发展趋势可以看到Imaging随着深度学习当中CNN的迅猛发展在健康信息学中也是突飞猛进，主要得益于其他在自然图片中成熟的模型在医学图像中得到了一个应用。5种常用模型应用发展趋势可以看到RNN的比重不断减小，CNN突飞猛进。现阶段常用的几种深度学习框架目前比