- 博客(12)
- 收藏
- 关注
RSS订阅原创 目标检测资源-持续更新
两个非常好的而且持续更新的深度学习检测相关的资源链接：objection detection: 通用目标检测领域的各种资源整理；文字检测与识别：主要是文本检测领域相关的paper的整理；...
2018-05-05 23:31:06
462
原创 Faster RCNN源码中anchor的计算
python源码文件：Github链接一些基本设定输出的 anchor 格式：对应在原图上的位置，四个坐标值，为左上角和右下角的x, y坐标。ctr：center的意思，如(x_ctr, y_ctr) 表示anchor中心点的坐标。base_size：用来初始化一个anchor的边长，后续乘以ratio和scale即可得到实际使用的anchor的长宽，通常设为进行RPN的特征图的...
2018-04-30 23:03:28
4128
1
原创 Github上一些实用开源 caffe 代码整理（持续更新）
Instance Normalization and guided Normalization：链接ROI Align：链接1，链接2，链接3Feature Pyramid Network: 链接1 ，链接2，链接3
2018-04-30 21:11:26
1231
原创 2018年arxiv object detection论文阅读-持续更新
1. An Anchor-Free Region Proposal Network for Faster R-CNN based Text Detection Approaches论文原文见arxiv.中心思想对于尺度变化比较大的数据集来说，Faster RCNN的RPN阶段anchor的设计比较复杂，同时anchor只能预测水平的检测框，而不能预测带旋转角度的检测框，因此本文作者...
2018-04-27 23:33:06
925
原创 L2norm (ParseNet) caffe实现与使用
ParseNet和部分文章中提到在进行feature fusion之前要进行 L2norm，这是因为多层feature map的激活值大小分布差距比较大，如果没有经过 norm，会导致激活值普遍较大的 feature map 对融合后的结果影响更大。简介L2norm公式L2norm反向传播BP推导L2norm的caffe实现但是网上很难找到 L2norm...
2018-04-11 22:14:40
2512
2
原创 Group Normalization 反向传播 BP推导（适用于caffe实现）
何凯明大神最近出的Group Normalization,文章中就自带了TF的实现代码，非常简洁，但是对于少数还在不得不使用caffe的人来说还得自己手动推导BP公式，网上找了很久都没有找到，此处花了一些时间推了一下，欢迎指正。 实际上推导出来后才发现GN的反向传播和Instance Norm基本一样，区别仅仅在于最后求Mean的范围，IN是针对一个channel进行求解，GN则是在一个...
2018-04-11 21:28:07
1487
原创 经典文章系列: (ResNet) Deep Residual Learning for Image Recognition 论文阅读
核心思想将层表示为学习残差函数。实验表明，残差网络更容易优化。解决了增加网络深度带来的副作用（退化问题），这样能够通过单纯地增加网络深度，来提高网络性能。问题来源增加网络深度的重要性CNN能够提取low/mid/high-level的特征，网络的层数越多，意味着能够提取到不同level的特征越丰富。并且，越深的网络提取的特征越抽象，越具有语义信息。简单增加网络深度存...
2018-02-26 13:39:25
1504
原创 经典文章系列：Feature Pyramid Networks for Object Detection（FPN）论文阅读
概述本文是对 Faster R-CNN 在目标检测问题上的进一步完善。Faster R-CNN 有两个步骤， RPN以及 Fast R-CNN，在这两个步骤上FPN都利用更多的卷积特征图（Feature pyramid map）信息来提升RPN和 Fast R-CNN的效果。思想是参考 Fully Convolutional Networks for Semantic Segmentation...
2018-02-18 14:14:52
715
原创 七种排序方法（稳定性、空间复杂度、时间复杂度）分析总结
冒泡排序：冒泡排序只在相邻元素大小不符合要求时才调换他们的位置, 它并不改变相同元素之间的相对顺序, 因此它是稳定的排序算法.由于冒泡排序中只有缓存的temp变量需要内存空间, 因此空间复杂度为常量O(1).最坏的情况是每次都需要交换, 共需遍历并交换将近n²/2次, 时间复杂度为O(n²). 最佳的情况是内循环遍历一次后发现排序是对的, 因此退出循环, 时间复杂度为O(n)对于冒
2018-01-14 19:36:10
11152
原创 深度学习图像处理（分类or检测）中结果的评价方法-mAP简介
多标签图像分类（Multi-label Image Classification）任务中图片的标签不止一个，因此评价不能用普通单标签图像分类的标准，即mean accuracy，该任务采用的是和信息检索中类似的方法—mAP（mean Average Precision）。mAP虽然字面意思和mean accuracy看起来差不多，但是计算方法要繁琐得多。P-R曲线的绘制
2018-01-13 17:19:27
16526
3
原创 RCNN系列总结（RCNN,SPPNET,Fast RCNN,Faster RCNN）
传统的目标检测方法大概分为区域选择、特征提取（SIFT、HOG等）、分类器（SVM等）三个部分，其主要问题有两方面：一是区域选择策略没有针对性、时间复杂度高，窗口冗余；另一方面手工设计的特征鲁棒性较差。以下介绍基于Region Proposal的深度学习目标检测算法R-CNN->SPP-NET->Fast R-CNN->Faster R-CNN.R-CNN创新点采用CNN网络
2018-01-04 19:07:48
9726
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人