荪荪的博客

转载：http://blog.youkuaiyun.com/u011534057/article/details/51218218 rcnn主要作用就是用于物体检测，就是首先通过selective search 选择2000个候选区域，这些区域中有我们需要的所对应的物体的bounding-box，然后对于每一个region proposal 都wrap到固定的大小的scale,227

http://blog.youkuaiyun.com/u010402786/article/details/51226825第一部分 全连接网络的权值更新　　卷积神经网络使用基于梯度的学习方法进行监督训练，实践中，一般使用随机梯度下降（机器学习中几种常见的梯度下降方式）的版本，对于每个训练样本均更新一次权值，误差函数使用误差平方和函数，误差方式采用平方误差代价函数。　　注：本文主要按照

http://blog.youkuaiyun.com/happynear/article/details/46583811零、声明这是一篇失败的工作，我低估了batch normalization里scale/shift的作用。细节在第四节，请大家引以为戒。一、前言　　关于神经网络的作用有一个解释：它是一个万能函数逼近器。通过BP算法调整权重，在理论上神经网络可以近似出任意的函数。

参考博客：http://blog.youkuaiyun.com/liumaolincycle/article/details/50471289#t0具体网络配置如链接：https://github.com/BVLC/caffe/blob/master/models/bvlc_googlenet/train_val.prototxt        保证计算资源不变（cpu/memory）的基础上

原文地址：http://blog.youkuaiyun.com/hjimce/article/details/50866313作者：hjimce一、背景意义本篇博文主要讲解2015年深度学习领域，非常值得学习的一篇文献：《Batch Normalization: Accelerating Deep Network Training by  Reducing Internal C

转载：http://blog.youkuaiyun.com/shuzfan/article/details/50738394本文介绍的是著名的网络结构GoogLeNet及其延伸版本，目的是试图领会其中的思想而不是单纯关注结构。GoogLeNet Incepetion V1MotivationArchitectural DetailsGoogLeNetConclusion

转载：http://blog.youkuaiyun.com/stdcoutzyx/article/details/49022443理解dropout注意：图片都在github上放着，如果刷不开的话，可以考虑翻墙。转载请注明：http://blog.youkuaiyun.com/stdcoutzyx/article/details/49022443开篇明义，dropout是指在深度学习网络的

一：引言　　因为在机器学习的一些模型中，如果模型的参数太多，而训练样本又太少的话，这样训练出来的模型很容易产生过拟合现象。在训练bp网络时经常遇到的一个问题，过拟合指的是模型在训练数据上损失函数比较小，预测准确率较高（如果通过画图来表示的话，就是拟合曲线比较尖，不平滑，泛化能力不好），但是在测试数据上损失函数比较大，预测准确率较低。　　常用的防治过拟合的方法是在模型的损失函数中，需

转载：http://blog.youkuaiyun.com/mrhiuser/article/details/52575951一：BN的解释：在训练深层神经网络的过程中, 由于输入层的参数在不停的变化, 因此, 导致了当前层的分布在不停的变化, 这就导致了在训练的过程中, 要求 learning rate 要设置的非常小, 另外, 对参数的初始化的要求也很高. 作者把这种现象称为inter

转载：http://blog.youkuaiyun.com/intelligence1994/article/details/53888270白化（sphering）参考http://ufldl.stanford.edu/wiki/index.php/%E7%99%BD%E5%8C%96举例来说，假设训练数据是图像，由于图像中相邻像素之间具有很强的相关性，所以用于训练时输入

转载：http://blog.youkuaiyun.com/hungryof/article/details/50436231预先说明由于有些人实在太蠢，没办法只能加上这一段。首先，这里面什么看成变量，什么看成常量。 变量：网络的权值W（偏置b默认在W内。）以及输入X。 常量：就是target 你可能会说呃呃呃，不是输入都是有值得吗，不都是数吗，怎么会是变量啊。。我还能说什

转载：http://www.cnblogs.com/nsnow/p/4562363.html目录本文整理了网上几位大牛的博客，详细地讲解了CNN的基础结构与核心思想，欢迎交流。[1]Deep learning简介[2]Deep Learning训练过程[3]Deep Learning模型之：CNN卷积神经网络推导和实现[4]Deep

转载：http://lib.youkuaiyun.com/article/deeplearning/42985      《 Neural Networks Tricks of the Trade.2nd》这本书是收录了1998-2012年在NN上面的一些技巧、原理、算法性文章，对于初学者或者是正在学习NN的来说是很受用的。全书一共有30篇论文，本书期望里面的文章随着时间能成为经典，不过正如bengi

转载：http://blog.youkuaiyun.com/u010402786/article/details/51228405　上一篇主要是对卷积神经网络的整个训练过程中公式以及误差的推导给出详细的分析。 　　博客地址：http://blog.youkuaiyun.com/u010402786/article/details/51226825　　这一篇主要对卷积神经网络中出现的一些问题进行一个

转载：http://www.w2bc.com/article/123717数据预处理（Data Preprocessing）零均值化（Mean subtraction）为什么要零均值化？人们对图像信息的摄取通常不是来自于像素色值的高低，而是来自于像素之间的相对色差。零均值化并没有消除像素之间的相对差异（交流信息），仅仅是去掉了直流信息的影响。数据有过

转载：http://blog.youkuaiyun.com/xzzppp/article/details/520716141、简介    Faster R-CNN是R-CNN系列深度学习人脸检测最好的方法，mean average precision（mAP）达到73.2%，目标检测的速度可以达到每秒5帧。    技术上将RPN网络和FastR-CNN网络结合到了一起，是一个CNN网络实现

基于R-CNN的物体检测参考地址：http://blog.youkuaiyun.com/hjimce/article/details/50187029一、相关理论   本篇博文主要讲解2014年CVPR上的经典paper：《Rich feature hierarchies for Accurate Object Detection and Segmentation》，这篇文章的算法

转载：http://blog.youkuaiyun.com/u011534057/article/details/51219959CNN网络需要固定尺寸的图像输入，SPPNet将任意大小的图像池化生成固定长度的图像表示，提升R-CNN检测的速度24-102倍。固定图像尺寸输入的问题，截取的区域未涵盖整个目标或者缩放带来图像的扭曲。事实上，CNN的卷积层不需要固定尺寸的图像，全连接层是需要固

转载：http://blog.youkuaiyun.com/u011534057/article/details/51241831reference link:http://zhangliliang.com/2015/05/17/paper-note-fast-rcnn/http://blog.youkuaiyun.com/shenxiaolu1984/article/details/51036677

转载：http://blog.youkuaiyun.com/u011534057/article/details/51247371reference link：http://blog.youkuaiyun.com/shenxiaolu1984/article/details/51152614http://blog.youkuaiyun.com/luopingfeng/article/details/5124569

转载：http://blog.youkuaiyun.com/u011534057/article/details/51244354Reference link:http://blog.youkuaiyun.com/tangwei2014这是继RCNN，fast-RCNN 和 faster-RCNN之后，rbg（Ross Girshick）大神挂名的又一大作，起了一个很娱乐化的名字：YOLO。

转载：http://blog.youkuaiyun.com/u011534057/article/details/51259812Faster R-CNN: Towards Real-Time Object Detection with Region Proposal NetworksShaoqing Ren, Kaiming He, Ross Girshick, Jian Sun

转载：http://blog.youkuaiyun.com/u011534057/article/details/51247388【论文信息】《Fully Convolutional Networks for Semantic Segmentation》CVPR 2015 best paperReference link: http://blog.youkuaiyun.com/tang

转载：http://blog.youkuaiyun.com/u011534057/article/details/51274907Reference link: http://blog.youkuaiyun.com/whiteinblue/article/details/43374195https://www.zybuluo.com/coolwyj/note/203086#1-classificati

之前一直想总结下SSD，奈何时间缘故一直没有整理，在我的认知当中，SSD是对Faster RCNN RPN这一独特步骤的延伸与整合。总而言之，在思考于RPN进行2-class分类的时候，能否借鉴YOLO并简化faster rcnn在21分类同时整合faster rcnn中anchor boxes实现multi-scale的思想而设计出了SSD，这篇blog关于SSD的细节方面整理的很好，以供参考。

转自:http://blog.youkuaiyun.com/shadow_guo/article/details/51767036作者代季峰1，14年毕业的清华博士到微软亚洲研究院的视觉计算组，CVPR 16 两篇一作的会议主持人同时公布了源码~21. 简介物体检测的深度网络按感兴趣区域 (RoI) 池化层分为两大主流：共享计算的全卷积子网络 (每个子网络与 RoI 无关) 和 不

reference link:http://blog.youkuaiyun.com/shenxiaolu1984/article/details/51066975Region CNN(RCNN)可以说是利用深度学习进行目标检测的开山之作。作者Ross Girshick多次在PASCAL VOC的目标检测竞赛中折桂，2010年更带领团队获得终身成就奖，如今供职于Facebook旗下的FAIR。

转载：http://blog.youkuaiyun.com/xzzppp/article/details/52071460本程序是在py-faster-rcnn/tools/demo.py的基础上进行修改的程序功能：用训练好的caffemodel，对FDDB人脸进行标注，便于其在FDDB上进行测试[python] view plain copy

转载：http://blog.youkuaiyun.com/xzzppp/article/details/52071546本程序在py-faster-rcnn/tools/demo.py的基础上进行修改程序功能：利用训练好的caffemodel，对人脸进行标注[python] view plain copy#!/usr/bin/env