ture_dream的博客

刚刚同事给我讲fasterRCNN的训练，赶紧记下来;这同事自己调试出来的这些参数，流弊！！！下载地址：http://download.youkuaiyun.com/detail/ture_dream/9678542上面太小，下载可以对应看他说：conv5后的图片512维，36*60=2160个点，这是卷积后的特征图，每个点  对应的原图是 16*16 大小的图像块，为什么？600/3

A Loss Function for Learning Region Proposals    训练RPN时，只对两种anchor给予正标签：和gt_box有着最高的IoU && IoU超过0.7。如果对于所有的gt_box，其IoU都小于0.3，则标记为负。损失函数定义如下： 其中i为一个mini-batch中某anchor的索引，pi表示其为目标的预测概率,pi*表示gt

目录目录简单介绍主要函数Reshape 函数Forward_cpu 函数Backward_cpu 函数简单介绍Euclidean loss layer 计算两个输入的差的平方和：12N∑Ni=1||x1i−x2i||22主要函数1.Reshape 函数：template void EuclideanLossLayer::Reshape( c

cnn进行前向传播阶段，依次调用每个Layer的Forward函数，得到逐层的输出，最后一层与目标函数比较得到损失函数，计算误差更新值，通过反向传播逐层到达第一层，所有权值在反向传播结束时一起更新。loss layer 是CNN的终点，接受两个Blob作为输入，其中一个是CNN的预测值，另一个是真实标签。损失层则将这两个输入进行一系列运算，得到当前网络的损失函数（Loss Function），

linux中结合opencv编译c++代码。添加代码test.cpp如下：#include int main(int argc,char ** argv) { IplImage* img = cvLoadImage(argv[1],CV_LOAD_IMAGE_COLOR); cvNamedWindow("Image_show",CV_WINDOW_

gdb 使用手册 博客分类：CentOS/RedHat正则表达式C#C++C大众硬件 简述 一 列文件清单 二：执行程序 三：显示数据 四：断点(breakpoint) 五．断点的管理 六．变量的检查和赋值 七. 单步执行 八．函数的调用 九．机器语言工具 十．信号 GDB的

[ GDB ]gdb中查看源代码执行路径使用gdb来debug caffe代码基本分为以下几步：＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊step1: gdb ./build/tools/caffestep2: b 154step3: set args train --solver=/home/wenyangming/caffe/examples/cifa

参考：http://blog.youkuaiyun.com/xiaoyezi_1834/article/details/50724875https://www.zhihu.com/question/27987666自己苦于需要修改caffe代码和调试代码，找寻方法找了很久 -> 总结如下:qt creator/anjuta/gdb 如下都是博主亲身试验成功的

话说上次博客画出来MNIST的LENET-5模型，http://blog.youkuaiyun.com/ture_dream/article/details/53007803今天可以把模型稍加修改，变成逻辑回归（Logistics Regression，LR）分类器1.复制examples/mnist/lenet_train_test.prototxt,重命名为lenet_lr.prototx

把dfata_layers.cpp贴出了，明天好好注释一下：#include #include #include "caffe/blob.hpp"#include "caffe/data_transformer.hpp"#include "caffe/internal_thread.hpp"#include "caffe/layer.hpp"#include "caffe/lay

net在caffe中代表一个完整的cnn模型，包含若干layer实例。net是一张图纸，对应的是protoBuffer文本文件，描述文件*.prototxt,现在用自带的caffeNet模型描述文件，位于，/caffe-master/models/bvlc_reference_caffenet/deploy.prototxt,将此文件拷贝到当前工作目录下1  在caff

从今天起做一个幸福的人学caffe 敲代码我有一所房子由Blob建起Blob在内存中表示四维数组，维度由高到底为（num_,channels_,height_,width_),num:第几帧，存储数据或权值（data）和权值增量（diff） { 相当重要的两个概念}channels:颜色通道RGBheight:图像的高width：图像的宽

Update操作将data与diff融合，是权值更新最终实施者 data=data-diff代码：#include#include#includeusing namespace caffe;using namespace std;int main(void){ Blob a; cout<<"Size: "<< a.shape_string()<<endl; a.R

在Blob进阶1基础上更改代码：#include#include#includeusing namespace caffe;using namespace std;int main(void){ Blob a; cout<<"Size: "<< a.shape_string()<<endl; a.Reshape(1,2,3,4); //调用Reshape赋值 c

从今天起做一个幸福的人学caffe 敲代码我有一所房子由Blob建起Blob在内存中表示四维数组，维度由高到底为（num_,channels_,height_,width_),num:第几帧，存储数据或权值（data）和权值增量（diff） { 相当重要的两个概念}channels:颜色通道RGBheight:图像的高width：图像的宽

Seamless cloning泊松克隆原文地址：http://blog.youkuaiyun.com/hjimce/article/details/45716603作者：hjimce本篇博文主要讲解2004年Siggraph的经典paper：《Poisson Image Editing》，在图像融合领域，融合效果最牛逼的paper。讲这个算法，我没打算讲太多理论的公式，理论的东西，对于大部分

caffe源码c++学习笔记原文地址：http://blog.youkuaiyun.com/hjimce/article/details/48933845作者：hjimce一、预测分类最近几天为了希望深入理解caffe，于是便开始学起了caffe函数的c++调用，caffe的函数调用例子网上很少，需要自己慢慢的摸索，即便是找到了例子，有的时候caffe版本不一样，也会出现错误。对于预测分类

caffe的万丈高楼（net）是我们按照设计的图纸（prototxt)，用Blob这些砖块筑成的一层层（layer）楼房，最后通过进行简装修(train)，精装修（finetune）实现。    深度神经网络是一种模块化的模型,它由一系列作用在数据块之上的内部连接层组合而成。 Caffe 基于自己的模型架构,通过逐层定义(layer-by-layer)的方式定义一个网络(Nets)。网络从数据

解释两个部分：一：预处理图像的leveldb构建 输入：一批图像和label （2和3） 输出：leveldb （4） 指令里包含如下信息：conver_imageset （构建leveldb的可运行程序）train/ （此目录放处理的jpg或者其他格式的图像)label.txt (图像文件名及其label信息)输出的leveldb文件夹的名字CPU/GPU (指定是在

以前跑通的代码总是报错：啥啥未定义或者找不到神码目录

说明：本博文假设你已经做好了自己的数据集，该数据集格式和VOC2007相同。下面是训练前的一些修改。（做数据集的过程可以看http://blog.youkuaiyun.com/sinat_30071459/article/details/50723212）Faster-RCNN源码下载地址：Matlab版本：https://github.com/ShaoqingRen/faster_rcn

局部关联：每个像素点和她周边的点广联大（图像连续）形象地说，左边是32*32*3的图像，我们让五个小朋友分别看，右边的12345小盆友分别关注图像的颜色，轮廓，纹理等等信息。五个小朋友对应五个神经元，也叫filter，每个小盆友视野有限，每次只看一小块，慢慢滑动直到看完，那么左图中的小块叫感受野（receptive field）。每个小朋友看完一张图得到一张图，五个人得出五张，即d

以上总结了faster-RCNN 测试计算量总结，仅仅截取表格一部分，下载见点击打开链接卷积层浮点运算计算量公式(参考21天实战caffe）是：Caculation(conv n)=I*J*M*N*K*L其中，I,J卷积核  M,N输出通道的特征图大小， K输入通道数，  L输出通道数  {KL个卷集核实现通道的转换}列如：上图绿色框里列出了第二个卷积层参数里：I=J=5；M=

用点击打开链接画出上面的结构图，如上图，联系prototxt可以清晰看到Lenet的网络结构 。数据源Mnist负责从预处理得到的lmdb数据库里读取图像数据data和标签数据label，图像数据送入后续CNN结构中进行处理。CNN结构包含卷积层conv(1,2)+下采样层pool(1,2)交替形成的特征层，以及全连接层ip1和ip2(类似于多层感知机结构）。对ip2的输出进一步同

:~/Documents/caffe-master$ ./build/tools/caffe.bin test -model examples/mnist/lenet_train_test.prototxt -weights examples/mnist/lenet_iter_10000.caffemodel -iterations 100I1116

xie yige matlab daima  fang zai  $caffe_root/data/mnist/ clear;clc;clear all;image_file_name='t10k-images-idx3-ubyte';index_filename='t10k-labels-idx1-ubyte';fid1=fopen(image_file_name,'

Caffe源码解析4： Data_layer转载请注明出处，楼燚(yì)航的blog，http://home.cnblogs.com/louyihang-loves-baiyan/data_layer应该是网络的最底层，主要是将数据送给blob进入到net中，在data_layer中存在多个跟data_layer相关的类BaseDataLayerBasePrefetchin

作家马德说：

尊重原创，转载请注明：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。虽然目前版本还有一些硬伤，但是解决了目前基于DL检测中一个大痛点，就是速度问题。 其增强版本GPU中能跑45fps，简化版本155fps。

学习笔记3 用自己的数据训练和测试“CaffeNet” 2014.7.22 薛开宇(点击打开链接)       he http://blog.youkuaiyun.com/u012746763/article/details/50389898xuexi xunlian :find train/cat *.jpeg |cut -d '/' -f2-3 > train.txt

Girshick, Ross. “Fast r-cnn.” Proceedings of the IEEE International Conference on Computer Vision. 2015.继2014年的RCNN之后，Ross Girshick在15年推出Fast RCNN，构思精巧，流程更为紧凑，大幅提升了目标检测的速度。在Github上提供了源码。同样使用最大规模

本人小硕一枚，方向是深度学习的目标检测，故想把从RCNN到Faster RCNN整个线串一下，理清里面的整个设计流程和创新思路，也算是对大神的创新思维进行学习。我会不定期改善博客里面可能存在的小错误，希望大家多多谅解支持啦。另外，在论文中已经讲到的点，如果不是特别重要的话，我不会再复述的啦，所以说各位看官先研读研读论文先，然后再看看我对这些论文的理解。对了，涉及到哪层是几乘几以及那层到底是多少这种

ImportError: No module named pydotNo module named google.protobufhttp://blog.youkuaiyun.com/u013609078/article/details/50479518sudo apt-get in

为了程序的简洁，在caffe中是不带练习数据的，因此需要自己去下载。但在caffe根目录下的data文件夹里，作者已经为我们编写好了下载数据的脚本文件，我们只需要联网，运行这些脚本文件就行了。注意：在caffe中运行所有程序，都必须在根目录下进行，否则会出错1、mnist实例mnist是一个手写数字库，由DL大牛Yan LeCun进行维护。mnist最初用于支票上的手写数字识别, 现在

卷积神经网络CNN近来在了解深度学习。深度神经网络的一大特点就是含有多隐含层。卷积神经网络（CNN）算是深度神经网的前身了，在手写数字识别上在90年代初就已经达到了商用的程度。本文中将简要介绍CNN，由于相应的博文资料已经很多，也写的很好，本篇最有价值的是参考资料部分。前向神经网络数字识别假设我们的图片是28*28像素的，使用最简单的神经网络进行识别，如图1图1

分享一些我常用的链接在线学习coursera ：最大在线公开课网站，可还有作业可做，不拿证书基本都是免费的。udacity：有不少好课程。慕课网：前端的课程比较多。leetcode:刷完leetcode150题目，找工作笔试面试题算法题基本无压力。实验楼：适合初学编程语言，边看边实验。Hackerrank：也是在线oj，但有一些机器学习类的题目，很不错。kaggle：机器学

一、前言这篇卷积神经网络是前面介绍的多层神经网络的进一步深入，它将深度学习的思想引入到了神经网络当中，通过卷积运算来由浅入深的提取图像的不同层次的特征，而利用神经网络的训练过程让整个网络自动调节卷积核的参数，从而无监督的产生了最适合的分类特征。这个概括可能有点抽象，我尽量在下面描述细致一些，但如果要更深入了解整个过程的原理，需要去了解DeepLearning。这篇文章会涉及到卷积的原理与图

在介绍Faster R-CNN之前，先来介绍一些前验知识，为Faster R-CNN做铺垫。一、基于Region Proposal（候选区域）的深度学习目标检测算法Region Proposal（候选区域），就是预先找出图中目标可能出现的位置，通过利用图像中的纹理、边缘、颜色等信息，保证在选取较少窗口（几千个甚至几百个）的情况下保持较高的召回率（IoU，Intersection-over-

请教同学Faster—RCNN测试流程，他让我看一个Faster—RCNN模型文件（自己找哈）：看了后，自己画了一张图：注：conv:卷积              relu：（rectified linear units）激活函数          fc:全连接             RPN：region proposal network cls

faster-RCNN 是一个单一联合检测网络，由两个特征共享的模型构成：1：深度全卷积网络（生成proposal区域）    2：FastRCNN检测器（使用proposal）文章说，目前最先进的目标检测网络region proposal 算法生成假的目标定位，领先的如空间金字塔池层，和FastRCNN，在减少这些检测网络运行时间的同时，也暴露了region proposal 计算的