scut_salmon的博客

CVPR2015Abstract     诸如语义分割之类的像素级标记任务在图像理解中起着核心作用。最近的方法试图利用图像识别的深度学习技术的能力来处理像素级的标记任务。这种方法的一个核心问题是深度学习技术的能力有限，以描绘视觉对象。为了解决这个问题，我们引入了一种卷积神经网络的新形式，它结合了卷积神经网络（CNNs）和基于条件随机场（CRFs）的概率图形建模的优势。为此，我们将具有高

来源：CoRR，abs，2015Abstract       我们利用深度学习技术来解决语义分割的问题。大多数语义分割系统包括一个条件随机场（CRF）模型，以产生与图像的视觉特征一致的结构化输出。随着近期深度学习的进展，在深度神经网络中执行CRF推断以促进CRF与逐像素卷积神经网络（CNN）分类器的联合学习变得越来越普遍。      虽然基本CRF只使用一元和两两潜在的电势，但已经表明

optimizer.zero_grad()意思是把梯度置零，也就是把loss关于weight的导数变成0.在学习pytorch的时候注意到，对于每个batch大都执行了这样的操作： # zero the parameter gradients optimizer.zero_grad() # forward + backward + optim...

论文地址：https://arxiv.org/pdf/1703.06211相关代码（非官方）：https://github.com/4uiiurz1/pytorch-deform-conv-v2/tree/529abbbe9b81e852d272220c855255fd631c43c61. 为什么做DCN传统的卷积采用固定尺寸的卷积核，不能很好地适应几何形变2. 什么是DCN可...