- 博客(7)
- 收藏
- 关注
RSS订阅原创 RFCN论文阅读笔记
论文地址 R-FCN: Object Detection via Region-based Fully Convolutional Networks 内容 经典的基于区域的检测器faster-rcnn，可以看成以ROI pooling为界的两个部分组成的网络: 一个部分是ROI pooling层之前的特征提取部分以及RPN候选框提取部分，该部分计算共享；另外一个部分是ROI之后，用于目标检测...
2018-10-09 23:08:38
1625
原创 图像上采样：双线性插值，Deconv，Spatial transform
一.图像下采样的方法 双线性插值 Deconv，反卷积 Spatial transform 二.具体细节 1. 双线性插值 首先根据以下式子来计算目标像素在源图像中的位置，一般srcX和srcY是浮点数。比如f(1.2,3.4)这个像素点是虚拟存在的。 1. 按比例对应 srcX = dstX * (srcWidth/dstWidth) srcY = dstY * (src...
2018-09-16 18:14:07
3210
原创 SNIP论文阅读
论文 论文: An Analysis of Scale Invariance in Object Detection – SNIP 代码链接: http://bit.ly/2yXVg4c 论文概述 以前解决scale variation的方法包括: 1) 特征金字塔; 2) 空洞卷积或者可变卷积; 3) 各个层的featuremap进行独立预测;4)图像金字塔,多尺度训练,多尺度预...
2018-09-05 23:25:29
672
原创 针对目标检测的数据增强
前言 图像的目标增强普遍的包含旋转，平移，镜像等等，比较新的包括cutout等，其实也是一种连续的dropout 图像的增强在我的理解是一种正则，增强模型的泛化能力。从原始图像中得到新的数据在信息论角度还是不太可能。 目标检测的图像增强跟普通的图像增强不同的地方是还得考虑bounding box如何进行相应的变化 增强方式（持续更新） 裁剪（会改变boundingbox）: 普通的...
2018-08-17 23:54:45
10614
16
原创 focal loss论文笔记(附基于keras的多类别focal loss代码)
一.focal loss论文 Focal Loss for Dense Object Detection 二.focal loss提出的目的 解决one-stage目标检测是场景下前景和背景极度不平衡的情况（1：1000） 让模型在训练的时候更加关注hard examples（前景）。 另外two-stage的检测器是用一下两个方法来解决类别不平衡问题的： 提取候选框的过程实际上...
2018-08-15 21:16:02
12650
4
原创 dropout原理及代码解析
一.dropout概念 在训练的时候，以一定的概率使得某些神经元从网络中丢弃 二.dropout原理解释 1.从ensemble的角度理解 由于每个epoch前向的时候都是以一定概率随机的丢弃某些神经元，所以每个epoch训练的时候其实是在训练不同的网络，类似bagging。 2.从不同动机的角度来理解 类比有性繁殖和无性繁殖，无性繁殖直接从父代保留大段的优秀...
2018-08-14 16:37:32
4296
1
原创 Batch Normalization论文阅读笔记
BN论文 Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift BN优势 加速训练收敛 缓解梯度弥散 BN由来 什么是Internal Covariate Shift : 在训练过程中，隐层的输入分布老是变来变去，这就是所谓的“Intern...
2018-08-13 23:22:51
395
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人