大可的杨先森的博客

近来目标检测器准确度显著提升，获得了很多重要的新能力。其中最令人兴奋的一项是为每个检测目标预测前景分割掩码，即实例分割（instance segmentation）。在实践中，典型的实例分割系统只能关注小部分视觉信息，一般约为 100 个目标类别。该限制的主要原因是顶级的实例分割算法需要强大的监督系统，而此类监督数据很难收集新的类别，且比较昂贵。相比之下，边界框标注更丰富，也没

在Ubuntu中，按住ctrl+alt+t打开终端，输入“python”打开python解释器，输入：import syssys.path.append("/（你的caffe-master路径）/caffe-master/python")sys.path.append("/（你的caffe-master路径）/caffe-master/python/caffe")

原文很容易理解，建议看官可以稍微瞄一眼~ 废话不多说，下面正式开始主要谈谈这篇文章的重点和创新之处。目标 文章还是延续之前DeepLab系列的风格框架，采用atrous convolution在保证卷积特征分辨率不变的基础上实现感受野的指数级扩大（语义分割任务的challenge之一）。本文的关注点在于：如何更好的解决multi-scale问题，即分割目标具有不同的大小（语义分割任务的challe...

ROI Pooling的意义ROIs Pooling顾名思义，是Pooling层的一种，而且是针对RoIs的Pooling，他的特点是输入特征图尺寸不固定，但是输出特征图尺寸固定；什么是ROI呢？ROI是Region of Interest的简写，指的是在“特征图上的框”；1）在Fast RCNN中， RoI是指Selective Search完成后得到的“候选框”在特征图上的映射，如下图所示...

安装过程算是比较简单，直接从官网上下载源码，https://github.com/pytorch，然后选择从源码来进行安装。（说是可以直接从WHL文件来安装，只不过没有找到。安装过程的步骤：git clone https://github.com/pytorch/pytorchpip install -r requirements.txt（实质上这一步只需要安装pyyaml）。sudo pytho...

这段在使用caffe的时候遇到了两个问题都是在训练的过程中loss基本保持常数值，特此记录一下。1.loss等于87.33不变loss等于87.33这个问题是在对Inception-V3网络不管是fine-tuning还是train的时候遇到的，无论网络迭代多少次，网络的loss一直保持恒定。查阅相关资料以后发现是由于loss的最大值由FLT_MIN计算得到，FLT_MIN是1.17549435e...