redis的专栏

转自：GAN应用情况调研今天我们来聊一个轻松一些的话题——GAN的应用。在此之前呢，先推荐大家去读一下一篇新的文章LS-GAN（Loss-sensitive GAN）[1]。这个文章比WGAN出现的时间要早几天，它在真实分布满足Lipschitz条件的假设下，提出了LS-GAN，并证明了它的纳什均衡解存在。它也能解决generator梯度消失的问

一、相关理论   本篇博文主要讲解2014年CVPR上的经典paper：《Rich feature hierarchies for Accurate Object Detection and Segmentation》，这篇文章的算法思想又被称之为：R-CNN（Regions with Convolutional Neural Network Features），是物体检测领域曾经获得st

大多数人接触 “语义” 都是在和文字相关的领域，或语音识别，期望机器能够识别你发出去的消息或简短的语音，然后给予你适当的反馈和回复。嗯，看到这里你应该已经猜到了，图像领域也是存在 “语义” 的。今天是 AI 大热年，很多人都关注与机器人的语音交互，可是有没有想过，将来的机器人如果不能通过图像来识别主人，家里的物品、宠物，那该多没意思。说近一些，假如扫地机器人能够机智地绕开你丢在地上的臭袜子而扫

前言在这里,先介绍几个概念,也是图像处理当中的最常见任务.语义分割(semantic segmentation)目标检测(object detection) 目标识别(object recognition) 实例分割(instance segmentation) 语义分割首先需要了解一下什么是语义分割(semantic segmentation). 语义分割,简单来说就

摘要： 在这篇文章中，我们将看到一个使用了最新高级构件的例子，包括Estimator（估算器）、Experiment（实验）和Dataset（数据集）。值得注意的是，你可以独立地使用Experiment和Dataset。不妨进来看看作者是如何玩转这些高级API的。TensorFlow拥有很多库，比如Keras、TFLearn和Sonnet，对于模型训练来说，使用这些库比使用

RCNN、fast RCNN 和faster RCNNR-CNN R-CNN的目标是分析图像，并正确识别图像中主要对象，通过边界框标出对象的具体位置。输入：图像 输出：图像中每个对象的边界框和标签 Step1：利用 selective search 算法找到大约2000个 region proposal Step2: 利用CNN对每个 region proposal 提取上述区域

•   RCNN        RCNN（Regions with CNN features）是将CNN方法应用到目标检测问题上的一个里程碑，由年轻有为的RBG大神提出，借助CNN良好的特征提取和分类性能，通过RegionProposal方法实现目标检测问题的转化。        算法可以分为四步：        1）候选区域选择        Region Proposal是

非端到端：相对于深度学习，传统机器学习的流程往往由多个独立的模块组成，比如在一个典型的自然语言处理（Natural Language Processing）问题中，包括分词、词性标注、句法分析、语义分析等多个独立步骤，每个步骤是一个独立的任务，其结果的好坏会影响到下一步骤，从而影响整个训练的结果，这是非端到端的。端到端：而深度学习模型在训练过程中，从输入端（输入数据）到输出端会得到一个预测结果