FR的专栏

paperGAN开山之作：Generative Adversarial Networks　GAN翻译

前言deconv的用处还挺广的，涉及到 - visualization - pixel-wiseprediction - unsupervised learning 都会用到deconv的结构。比如Deconvolutional Network做图片的unsupervised feature learning，ZF-Net论文中的卷积网络可视化，FCN网络中的upsamplin...

本方法参照纯C++版的Faster-Rcnn（通过caffe自定义RPN层实现） 进行设置更改，略有改动。 核心思想：通过添加自定义层（RPN层）代替python层，实现c++版的Faster R-CNNFaster R-CNN 纯C++版本 融合 最新caffe（1） 添加自定义层 rpn_layer.hpp ，把它放在 caffe/include/caffe/layers/ ...

1、调参技巧深度学习参数和架构设计技巧 Caffe 模型微调 的场景、问题、技巧以及解决方案 Must Know Tips/Tricks in Deep Neural Networks (by Xiu-Shen Wei)2 数据增强（data augmentation ）在深度学习中，有的时候训练集不够多，或者某一类数据较少，或者为了防止过拟合，让模型更加鲁棒性，data augmentat

更改之处由博主师兄的blog 进行安装cuda7.5+anaconda2+opencv3.0+caffe，其中出现几处地方与该blog不同，具体如下：1. 安装anaconda2安装anaconda，从官网下载anaconda2，我下的是Anaconda2-4.2.0-Linux-x86_64.sh，然后cd到包含该文件的路径下，运行:sudo bash Anaconda2-4.2.0-Linux-

常用公共数据集【数据库】FaceDataset常用的人脸数据库http://blog.youkuaiyun.com//chenriwei2/article/details/50631212 肤色检测&人脸检测数据集等链接大集合（持续更新中...） http://blog.youkuaiyun.com/wangkr111/article/details/44514097图像数据库ht...

caffe的caffe.proto相关介绍

博主系统环境如下： 编译py-faster-rcnn参考如下：caffe官网py-faster-rnn源码github博客：搭建faster-rcnn进行目标检测的环境 论坛：faster RCNN python 安装编译步骤： 从github上下载源码#cd 进入自己放置faster rcnn位置git clone --recursive https://github.com/r

升级gcc 4.9+1. 查看gcc/g++版本ubuntu14.04 自带的是4.8版本，而最新的4.9.2对c++11的支持更好一些。gcc --version2. 升级gcc 4.9+cuDNN安装1. cuDNN需要注册Accelerated Computing Developer Program，然后可以免费下载。cuDNN是The NVIDIA CUDA Deep Neural Netw

1、安装dlibdlib官网这里好像只有最新的dlib版本包，下载选项在左下角有个蓝色的按钮，写着download 博主用的还是目前最新的版本19.2，因为最新的dlib版本添加了一些新的人脸检测器，mmod+cnn算法，可以看看dlib的blog。 2、 C++编译dlib如果你是使用的C++，那么很简单，不用安装，直接按照官网的指示(也是在官网首页，左边栏目里有个how to compi

1. 安装python参考http://blog.youkuaiyun.com/liuxiaoheng1992/article/details/54407589 这篇blog给出的pythonpython setup.py install提示我没有权限，所以我试着加上sudosudo python setup.py install安装成功 可以在终端运行查看是否能够顺利导入：python>>>import

本文是个人安装NVIDIA显卡驱动的步骤，仅供参考，每台硬件设备不一样，问题也不一样。

在介绍Faster R-CNN之前，先来介绍一些前验知识，为Faster R-CNN做铺垫。一、基于Region Proposal（候选区域）的深度学习目标检测算法Region Proposal（候选区域），就是预先找出图中目标可能出现的位置，通过利用图像中的纹理、边缘、颜色等信息，保证在选取较少窗口（几千个甚至几百个）的情况下保持较高的召回率（IoU，Intersection-over-