Sun7_She的专栏

http://ethereon.github.io/netscope/#/editor

1 learning a deep convnet for multi-label classification with partial labels深度学习在单标签分类任务中表现很好，但是日常生活中的图像本质上是多标签的。多标签分类比单标签分类更困难，因为输入图像和输出标签空间都更复杂。与单标签相比，大规模收集干净的多标签注释更难。为了降低标注成本，我们建议训练带有部分标签的模型，即每个图...

RESNET跳跃连接RESNEXT拆分-转换-合并增加基数（独立路径的数量）来提高准确度比网络加深或扩大来提高准确度更有效。（为什么呢？）DENSENET相加改为相并联加强shortcut，将所有层直接连接在一起DPN将残差通道和densely connected path相融合，实现优缺互补------------------------...

算法分为4个步骤：1. 生成1k～2k个候选区域 使用selective search方法，从一张图像生成约2000～3000个候选区域： （1）使用一种过分割手段，将图像分割成小区域 （2）查看现有小区域，合并可能性最高的两个区域，重复直到整张图像合并成一个区域位置 ...

one stageSSD:SSD是Faster-RCNN和YOLO中做了一次的分类和检测过程放在不同的图像大小上做了多次RETINANET:RESNET+FPN+FOCAL LOSS

其相对于FASTER RCNN改进如下：1. 分割，检测，分类同时进行2. 引入ROI ALIGN（对分类影响不大，对分割影响大，因为ROI POOLING对应回图像中的像素会有偏差，该方法会相对准确）代替faster rcnn中的ROI POOLINGROI ALIGN:https://www.cnblogs.com/wangyong/p/8523814.html对于检测图片中...

在讲fast-rcnn之前，我们先来看一下spp net吧？～spp net对r-cnn的改进主要有两点： 1. 只对原图提取一次特征。输入是图片，在feature层对应位置找到候选框的位置。 2. 结合空间金字塔方法实现cnns的对不同尺度的输入。实现数据的多尺度输入。分别划分不同的小块对feature进行pooling。对比r-cnn提速100倍左右...

最近图像理解受到了广泛的关注，我们也来稍微了解一下神马是图像理解，图像标注的评价标准是神马，哇咔咔图像理解就是理解图像的内容，通俗一些呢就是用一句话描述你所看到的图片中的内容。深度学习这么火，我们一定尝试一下，看看它是否可以解决这个问题。噢，不！是一定可以解决，只是时间问题或者框架如何设计的问题【大家一定要相信一个真理：深度学习可以搞定一切----说得自己都有点尴尬了不 我没有

文章：Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields∗ paperuri:(ee7d699fb12eb95daec96f29da5452b9)代码：https://github.com/CMU-Perceptual-Computing-Lab/

Torch7入门续集补充--- nngraph包的使用http://blog.youkuaiyun.com/hungryof/article/details/72902169faster-rcnn.torchhttps://github.com/andreaskoepf/faster-rcnn.torch/blob/master/models/model_utilities.lua

队伍学习，生成对抗网络 — 纳什均衡最优传输理论 - 威尔斯特拉距离 - 从一个空间转换到另一个空间 - 风格化

总变差有点像衡量一个函数变化程度的函数用在图像上，total variation loss可以使图像变得平滑维基百科的解释如下，我只看懂了下边这张图的部分，其他公式。。嗯。。意会吧，嘿嘿

一般来说评价视频和图像质量好坏，有两种方式：主观和客观主观就是找人对所给图像打分，按照人的主观感受来评价图像客观：会有一些算法或软件评价下边介绍两种客观评价方法：http://blog.youkuaiyun.com/leixiaohua1020/article/details/11729257http://blog.youkuaiyun.com/leixiaohua1020/art