Jinlong_Xu的博客

在做YOLO目标检测相关的项目，里面涉及到计算IOU，可以理解为系统预测出来的框与原来图片中标记的框的重合程度。 因为YOLO的实现是用tensorflow实现的，而我又要单独列出来，所以就打算用Python来计算 IOU。IOU的计算这个问题，其实我们可以转化成两个矩形框的重合程度，那么第一步是判断是否重合第二步是计算重合程度这里有个难点，如何判断是否重合。我的理解是分别比较

ImageNet Classification with Deep Convolutional Neural Networks 前言这是meeting report，关于AlexNet的一篇周报。写的不是很好，望大家谅解。PS： 争取每周都写一个周报，想在博客里留下一些自己的笔记。很久之前就有这样的想法，今天终于完成了，希望自己能坚持下来。come on!Abstr

剑桥大学Ghahramani发表在ICML16.【abstract】用于回归和分类的DL工具没有表示模型不确定性。bayesian模型有数学上完备的框架推导模型不确定性，但常有过高的计算代价。 文章将深度神经网络中的dropout训练理解为 深度高斯过程 中的近似贝叶斯推理，通过dropout NN建模不确定性，不影响计算复杂度和模型准确性。仔细研究了dropout表示不确定性的属性。

该文章翻译自：CNNdroid: GPU-Accelerated Execution of Trained Deep Convolutional Neural Networks on Android原论文地址摘要智能设备和可穿戴设备都将受益于深度学习算法（比如CNN）的准确性和可扩展性。然而，性能和能耗等现实的问题使得在移动端设备上这类密集计算的算法变得非常受限。我们开发了

摘要： 本篇论文针对卷积神经网络在训练阶段所需的大量存储与计算资源，提出了一种改进的冗余卷积核消除策略，精简每个卷积层中冗余的卷积核，进而降低模型训练开销，使模型训练过程从云端转移至本地成为可能。更多深度文章，请关注：https://yq.aliyun.com/cloud研究背景近几年来，卷积神经网络(Convolutional Neutral Network, CNN

前言目前在深度学习领域分类两个派别，一派为学院派，研究强大、复杂的模型网络和实验方法，为了追求更高的性能；另一派为工程派，旨在将算法更稳定、高效的落地在硬件平台上，效率是其追求的目标。复杂的模型固然具有更好的性能，但是高额的存储空间、计算资源消耗是使其难以有效的应用在各硬件平台上的重要原因。最近正好在关注有关深度学习模型压缩的方法，发现目前已有越来越多关于模型压缩方法的研究，从理论研究到平台实现，

Face++的lizeming大神注意到了现有Detection Network的两大通病：借用原本为了class而设计的network，牵强地附加上其他辅助结构来实现Detection；下采样能带来大感受野，从而提升class任务精度。但下采样又会损失空间信息，影响detection精度。二者难以协调为此，lizeming大神专门设计了detection专属的DetNet。结构如下： 检测效果惊...