circle的专栏

paddle detection的推理代码粗略学习

作者摘要BN是一个深度学习发展的里程碑，给多种网络训练赋能。但当batch变小，由于不准确的batch统计估计，BN的错误率会快速增加。这限制了BN在大模型的应用。本文提出Group Normalization（GN），作为BN的一个简单替换。GN将通道数分成多个组，在每个组计算均值和方差来归一化，计算独立于batch size，且在batchsize的大变化范围内性能稳定。在ImageNet训练的ResNet-50，batch size为2时GN的错误率比BN低10.6%；在batch size.

【CVPR2020】Rethinking Data Augmentation for Image Super-resolution: A Comprehensive Analysis and a New Strategy作者摘要数据增广能有效提升深度网络性能，本文对现有的超分数据增广进行了一套综合分析。对于图像重建，像素空间关系很重要。本文提出CutBlur，即将高/低分辨率patch剪切到对应位置，使得模型学习不止学习如何重建，还学习到重建的具体位置。本方法能提升性能，而且在一些low-lev

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 Covariate

转自：http://www.cnblogs.com/nsnow/p/4562308.html作者：张雨石自今年七月份以来，一直在实验室负责卷积神经网络（Convolutional Neural Network，CNN），期间配置和使用过theano和cuda-convnet、cuda-convnet2。为了增进CNN的理解和使用，特写此博文，以其与人交流，互有增益。正文之前

信号与系统中的卷积解释作者：张俊博链接：https://www.zhihu.com/question/22298352/answer/34267457来源：知乎著作权归作者所有，转载请联系作者获得授权。不推荐用“反转/翻转/反褶/对称”等解释卷积。好好的信号为什么要翻转？导致学生难以理解卷积的物理意义。这个其实非常简单的概念，国内的大多数教材却没有讲透。直接

转载自：http://www.cnblogs.com/happylion/p/4209570.html写的很详细，解释的很好，最近正在看UFLDL，在编程实现过程中有一些不明白的地方，对MATLAB用的也不是很熟练，这篇文章为我解决了很多困惑。在有监督学习中，训练样本是有类别标签的。现在假设我们只有一个没有带类别标签的训练样本集合  ，其中  。自编码神经网络是一种无监督学

转载自：http://www.2cto.com/kf/201607/522441.html1 前言2012年我在北京组织过8期machine learning读书会，那时“机器学习”非常火，很多人都对其抱有巨大的热情。当我2013年再次来到北京时，有一个词似乎比“机器学习”更火，那就是“深度学习”。本文内写过一些机器学习相关的文章，但上一篇技术文章“LDA主

欢迎大家访问OpenPR主页： http://www.openpr.org.cn， 并提出意见和建议！同时，OpenPR也期待您分享您的代码！OpenPR, stands for Open Pattern Recognition project and is intended to be an open source platform for sharing algorithms of

转载自：http://blog.youkuaiyun.com/jia20003/article/details/52142992在二值图像处理特别是OCR识别与匹配中，都要通过对字符进行细化以便获得图像的骨架，通过zhang-suen细化算法获得图像，作为图像的特征之一，常用来作为识别或者模式匹配。一：算法介绍Zhang-Suen细化算法通常是一个迭代算法，整个迭代过程分为

最近在做Script Identification（SI），目标是中、英、维文的场景文本行分类，尝试使用HOG+SVM进行中/英分类。转载自：http://www.cnblogs.com/hrlnw/archive/2013/08/06/2826651.htmlHistogram of Oriented Gridients，缩写为HOG，是目前计算机视觉、模式识别领域很常用

转自：http://www.cnblogs.com/ello/archive/2012/04/28/2475419.html一、Haar分类器的前世今生       人脸检测属于计算机视觉的范畴，早期人们的主要研究方向是人脸识别，即根据人脸来识别人物的身份，后来在复杂背景下的人脸检测需求越来越大，人脸检测也逐渐作为一个单独的研究方向发展起来。       目前的人脸检测

作者：小村长  出处：http://blog.youkuaiyun.com/lu597203933 。 （新浪微博：小村长zack, 欢迎交流！）参考文献：文章：Multiresolution Gray-Scale and Rotation Invariant Texture Classificationwith Local Binary Patterns LBP(local bina

http://libccv.org/post/with-a-sub-10-image-classifier-a-decent-face-detector-here-comes-ccv-0.7/是一个利用此函数库进行人脸识别的应用实例。ccv的开发以应用为驱动，集成了视觉处理最现代的算法。GitHub托管地址：https://github.com/liuliu/ccv抽空好好研究