sinat_36391198的博客

在ssd检测中，有一个重要的功能就是物体框的回归，接下来我来说一下ssd是怎么进行边界框回归的。 首先上图 我们观察图中狗的边框，其中黑色的是真实框（预先人为标定的），红色的为预测框（ssd最后预测的结果），黄色的为先验框（形成预测框的，首先得到的框）。 通俗的来说一下，我们经过6层不同大小的featmap后，会有很多的候选框，论文中一个类别有8732个，我们选取与真实框IOU最大的...

在这里我们来说一说，基于vgg16的ssd的整体网络结。 首先，先来说一遍vgg16。如图，在图中D列就是今天要说的vgg16结构。 如图，下图为vgg16的结构示意。 简单的来说一下， 第一个肯定是输入（图片），224*224*3指的是图片的分辨率是224*224，通道数是3。 到了block1处，卷积核为3*3*3，有64个这样子的卷积核。3*3*3是因为对一个通道有3*3...

Vgg16这个名词对于要做神经网络深度学习的人来说一定不陌生，当我们在看相关的教程或者案例的时候，都会出现Vgg16。那么它到底是什么？ Vgg16是一个卷积神经网络的模型，它是一个被预训练好的模型。 Vgg模型（网上配图） 每次网上都是贴出这个网络模型结构就不了了之，我就来仔细说一下（个人理解，欢迎指出错误）。首先这个网络...

之前说过了DNN，大家也对神经网络有了一个大概的了解，知道了什么叫做前向传播，什么叫做反向传播。我们可以类比的进行卷积（CNN）的学习。 首先，回想一下DNN全连接神经网络的前向传播。 可以看到，在DNN中，每一层的参数（输入层）或者计算结果（中间层）都会直接传给下一层的所有神经元，如此反复，直到最后一层的输出层得到结果。 而CNN呢？ 他也是和DNN一样，每一层的参数（输入层）或者计...

前面说完了CNN前向传播，这里我就说一下CNN反向传播。 CNN有卷积层、池化层 前面说完了CNN前向传播，这里我就说一下CNN反向传播。 CNN有卷积层和池化层。首先我们要明白我们反向传播是为了谁。类比于DNN中，我们反向传播是为了神经元中的权重w和偏置b。而我们在CNN中就是为了卷积层中的卷积核。 已知池化层的，求前一层的。 这个比较简单，我们知道池化层的作用是将传入的参数降低规模传...