lwq1026的博客

转自：http://blog.youkuaiyun.com/boon_228/article/details/51700569Deep Learning（深度学习）之（三）Deep Learning的常用模型或者方法九、Deep Learning的常用模型或者方法9.1、AutoEncoder自动编码器        Deep Learning最简单的一种方法是利用人工神经

转自：http://blog.youkuaiyun.com/mxs30443/article/details/53070533Spatial Transformer Networks是Deepmind团队去年的一个工作，一经发布就引起了大量关注，这篇文章把在图像识别前常做的alignment操作放到了neural network当中，不得不说方法很优雅也很work。我当时也在第一时间读

转自：http://blog.youkuaiyun.com/zhangjunhit/article/details/67631762Spatial Transformer Networks 主要对目标在特征空间做不变性归一化 解决 角度、尺度等变形引入的影响 Code: https://github.com/skaae/transformer_network首先我们

转自：http://blog.youkuaiyun.com/l691899397/article/details/53641485原文：Spatial Transformer Networks前言：卷积神经网络（CNN）已经可以构建出一个强大的分类模型，但它仍然缺乏能力来应对输入数据的空间变换，比如：平移、缩放、旋转，尽管convolutional层和pooling层在一定程度上解

转自：http://blog.youkuaiyun.com/hjimce/article/details/50187029基于R-CNN的物体检测原文地址：http://blog.youkuaiyun.com/hjimce/article/details/50187029作者：hjimce一、相关理论   本篇博文主要讲解2014年CVPR上的经典paper：《Rich featu

转自：http://www.cnblogs.com/skyfsm/p/6806246.html基于深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNNobject detection我的理解，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。object detection要解决的问题就是物体在哪里，是什么这整个流

转自：http://blog.youkuaiyun.com/zy1034092330/article/details/62044941Faster RCNN github : https://github.com/rbgirshick/py-faster-rcnnFaster RCNN paper : https://arxiv.org/abs/1506.01497

转自：http://www.cnblogs.com/gujianhan/p/6035514.html普通的深度学习监督算法主要是用来做分类，如图1(1)所示，分类的目标是要识别出图中所示是一只猫。而在ILSVRC（ImageNet Large Scale Visual Recognition Challenge)竞赛以及实际的应用中，还包括目标定位和目标检测等任务。其中目标定位

转自：http://blog.youkuaiyun.com/hjimce/article/details/73382553版权声明：本文为博主原创文章，欢迎转载，转载请注明原文地址、作者信息。

转自：作者：Charles Xiao链接：https://www.zhihu.com/question/19645541/answer/91694636来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。纠正下，精确率(precision)和准确率(accuracy)是不一样的，题主问的应该是精确率与召回率之间的差别。一

转自：http://www.cnblogs.com/huangshiyu13/p/6209016.htmlKingma, Diederik P., and Max Welling. "Auto-encoding variational bayes." arXiv preprint arXiv:1312.6114 (2013).论文的理论推导见：https://zhuanla

转自： http://blog.youkuaiyun.com/shaoxiaohu1/article/details/51809605参考文献：**Jaderberg M, Simonyan K, Zisserman A. Spatial transformer networks[C]//Advances in Neural Information Processing Syste

转自：http://www.cnblogs.com/neopenx/p/4851806.htmlSpatial Transformer Networks(空间变换神经网络)Reference：Spatial Transformer Networks [Google.DeepMind]Reference：[Theano源码，基于Lasagne]

转自：http://blog.youkuaiyun.com/boon_228/article/details/51700418Deep Learning（深度学习）之（一）特征以及训练方法目录：一、概述二、背景三、人脑视觉机理四、关于特征       4.1、特征表示的粒度       4.2、初级（浅层）特征表示

转自：http://blog.youkuaiyun.com/boon_228/article/details/51700507Deep Learning（深度学习）之（二）Deep Learning的基本思想五、Deep Learning的基本思想       假设我们有一个系统S，它有n层（S1,…Sn），它的输入是I，输出是O，形象地表示为： I =>S1=>S2=

转自 http://hp.stuhome.net/index.php/2016/09/20/tensorflow_batch_minibatch/原文如下：在刚开始学习使用TF的过程中，我不是很理解什么是“batch”。也经常有人问，到底minibatch是干什么的？然而这是一个在TF中，或者说很多DL的框架中很常见的词。这个解释我觉得比较贴

转自：http://tech.sina.com.cn/roll/2017-03-22/doc-ifycspxn9397393.shtml视频：https://v.qq.com/x/page/n0386utnrb0.html?start=492自 2015 年 11 月首次发布以来，TensorFlow 凭借谷歌的强力支持，快速的更新和迭代，齐全的文档和教程，以及上手快且简单

转自：http://blog.youkuaiyun.com/u013080652/article/details/68922702先总结自己遇到的坑：（回头想想其实安装很简单）第一大坑：anaconda必须安装4.2版本，不能安装4.3 版本；满满的血泪史 因为我们需要安装自带的python必须是3.5，才可以调用TensorFlow 但是anaconda4.3自带是python3.6

文章地址：http://blog.youkuaiyun.com/sxf1061926959/article/details/54836696提起siamese network一般都会引用这两篇文章： 《Learning a similarity metric discriminatively, with application to face verification》和《 Hamming Dis

转自： http://blog.youkuaiyun.com/sinat_34474705/article/details/75125520最近在看Google的Spatial Transformer Networks，脑洞又一次大开，故打算将学的一点东西记录在这里，本篇博文是学习Spatial Transformer Networks （STN）的基础，主要介绍仿射变换和双线性插值。内容

转自：http://blog.youkuaiyun.com/sinat_34474705/article/details/75268248上一篇博客 Spatial Transformer Networks论文笔记（一）——仿射变换和双线性插值介绍了仿射变换和双线性插值，为更好地理解STN打基础。本篇博客是记录的是阅读原文Spatial Transformer Networks的一些笔

转自：http://www.ppvke.com/Blog/archives/44692线性插值先讲一下线性插值：已知数据 (x0, y0) 与 (x1, y1)，要计算 [x0, x1] 区间内某一位置 x 在直线上的y值（反过来也是一样，略）：y−y0x−x0=y1−y0x1−x0y=x1−xx1−x0y0+x−x0x1−x0y1上面比较好

转自：http://www.sohu.com/a/149717964_697750作者 | 大饼博士X本文具体介绍Google DeepMind在15年提出的Spatial Transformer Networks，相当于在传统的一层Convolution中间，装了一个“插件”，可以使得传统的卷积带有了[裁剪]、[平移]、[缩放]、[旋转]等特性。理论上，作者希

转自  http://blog.youkuaiyun.com/roguesir/article/details/77469665前言AutoEncoder是深度学习的另外一个重要内容，并且非常有意思，神经网络通过大量数据集，进行end-to-end的训练，不断提高其准确率，而AutoEncoder通过设计encode和decode过程使输入和输出越来越接近，是一种无监督学习过程