poorfriend的博客

RCNN：http://blog.youkuaiyun.com/hjimce/article/details/50187029 SSPNet：http://blog.youkuaiyun.com/hjimce/article/details/50187655 Fast RCNN：http://blog.youkuaiyun.com/u010678153/article/details/46891655 Faster RCNN：

[TOC] google protobuf 谷歌开发者网站proto示例syntax = "proto2"; //使用proto2语法编写package protobuf;message Object { required int32 class = 1; required float xmin = 2; required float ymin = 3; req

Class Activation MappingCAM生成 实验结果 分类 定位 细粒度识别 参考文献 NIN[2]提出的全局平均池化（Global Average Pooling， GAP），代替如AlexNet和VGG中出现的含大量参数的的全连接层（FC6、FC7），能起到防止过拟合、提高泛化能力的作用。而且相对于FC层， GAP对空间平移更鲁棒， 可解释性也更强。除了上述优点， 本文提出另

cocoapi 示例： Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 = 0.17, 0.20, 0.03 Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 = 0.34, 0.37, 0.03 Aver

multibox_targeth multibox_targetccmultibox_target.hnamespace mxnet { namespace op {namespace mshadow_op { struct safe_divide { template<typename DType> MSHADOW_XINLINE static DType Map(DType a, DTy

下面是内容只是简写import mxnet as mx import numpy as np class Mix(mx.io.DataIter): def __init__(self, paths, **kwargs): super(Mix, self).__init__() self.flags = range(len(paths)) sel

转自：http://blog.youkuaiyun.com/lingerlanlan/article/details/24379689 数据成员 protected: shared_ptr data_; //data数据，指向SyncedMemory类的智能指针 shared_ptr diff_; //参数更新量 shared_ptr shape_data_; //数据维度

1 卷积连续： 一维卷积：s(t)=(x∗w)(t)=∫x(a)w(t−a)dts(t)=(x*w)(t)=\int x(a)w(t-a)dt 二维卷积：S(t)=(K∗I)(i,j)=∫∫I(i,j)K(i−m,j−n)dmdnS(t)=(K*I)(i,j)=\int\int I(i,j)K(i-m,j-n)dmdn 离散： 一维卷积：s(t)=(x∗w)(t)=

原文 http://www.jianshu.com/p/9dc9f41f0b29本文译自 Colah 的博文Recurrent Neural Networks 人类并不是每时每刻都从一片空白的大脑开始他们的思考。在你阅读这篇文章时候，你都是基于自己已经拥有的对先前所见词的理解来推断当前词的真实含义。我们不会将所有的东西都全部丢弃，然后用空白的大脑进行思考。我们的思想拥有持久性。传统的神经网络并不

src中新建mylayer.c和mylayer.h，在makefile里OBJ添加mylayer.o darknet.h里LAYER_TYPE添加MYLAYER parser.c中 include “mylayer.h”, string_to_layer_type函数中添加 if(strcmp(type, “[mylayer]”) ==0) return MYLAYER...