Focusing on your own Mind :) －> 站在巨人的肩膀上

reference link:http://zhangliliang.com/2015/05/17/paper-note-fast-rcnn/http://blog.youkuaiyun.com/shenxiaolu1984/article/details/51036677论文出处见：http://arxiv.org/abs/1504.08083项目见：https://gith

reference：http://blog.youkuaiyun.com/carrierlxksuper/article/details/48918297两个属性1）不同层上的CNN特征可以针对不同的tracking问题。越top层的特征越抽象，并且具有语义信息。这些特征的优势在于区分不同类别，同时对于形变和遮挡robust(下图a)。但是他们的缺点是无法区别类内的物体，比如不同人（下

caffe的Python接口中有一个很不错的功能：画网络结构图，虽然画得并不好看，但可以给人一种直观的感受。一、准备　　首先caffe的python接口当然是必备的了，还没有生成python接口的同学可以参照我的上一篇博客来生成。 　　然后是需要安装protobuf的python接口，可以参照这篇博客进行安装，安装过程比较简单，就不赘述了。 　　安装GraphViz：http://

reference: http://blog.youkuaiyun.com/liyaohhh/article/details/50990927图像的heatMap是什么，一副图片的heatmap可以帮助我们在上面检测到想要的object，如下左图所示：              可以直接的看到，人脸的的区域有红色区域,这个时候呢用sliding window在图片上进行检测，对于每一个窗口里面的o

原文 http://www.jianshu.com/p/9dc9f41f0b29本文译自 Colah 的博文Recurrent Neural Networks 人类并不是每时每刻都从一片空白的大脑开始他们的思考。在你阅读这篇文章时候，你都是基于自己已经拥有的对先前所见词的理解来推断当前词的真实含义。我们不会将所有的东西都全部丢弃，然后用空白的大脑进行思考。我们的思想拥有持久性。

reference：http://blog.youkuaiyun.com/marising/article/details/6543943在信息检索、分类体系中，有一系列的指标，搞清楚这些指标对于评价检索和分类性能非常重要，因此最近根据网友的博客做了一个汇总。准确率、召回率、F1信息检索、分类、识别、翻译等领域两个最基本指标是召回率(Recall Rate)和准确率(Precision R

参考：http://blog.youkuaiyun.com/wangran51/article/details/7579100http://blog.youkuaiyun.com/shaoxiaohu1/article/details/8998515最近一直在做相关推荐方面的研究与应用工作，召回率与准确率这两个概念偶尔会遇到，知道意思，但是有时候要很清晰地向同学介绍则有点转不过弯来。举个...

很早以前就知道这些概念了，不过由于跟自己的认知习惯不一样，所以碰到了还是经常会忘。于是索性把这些概念总结一下，以后再忘了也好找（其他的文章太啰嗦了，计算方法也写的不清不楚….） 另外我也会陆续更新一些其他的机器学习相关概念和指标，即是方便自己，也方便他人吧。注意：本文将混用正负样本和阳性(+)阴性(-)这两套说法真阳率、假阳率这些概念其实是从医学那边引入到机器学习里面的

conda install -c https://conda.anaconda.org/anaconda protobuf

python/caffe/_caffe.cpp:1:52: fatal error: Python.h: No such file or directory #include   // NOLINT(build/include_alpha)遇到此类问题基本是caffe找不到python，因此在make py之前反复确认下anaconda或python所在目录是否存在。本人一直遇

转自 http://blog.youkuaiyun.com/xiaoyezi_1834/article/details/50724875https://www.zhihu.com/question/27987666－－－－－－－－－－－－－－－－－－－－－qt creator debug －－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－-

概览先看一下最终的效果图，与VS2013深色主题相近的代码配色和界面配色，是不是有点心动了呢？安装和使用1. git clone https://github.com/whinc/qtcreator-style.git（1）配置代码编辑区域的配色方案先下载配置文件 vs2013_dark.xml，拷贝到QtCreator安装目录下的"QtCreator\share\

网上有传言 微软的深度残差学习是抄袭 Highway Networks，只是Highway Networks的一个特例。Highway Networks 的确是先发表的。http://people.idsia.ch/~rupesh/very_deep_learning/有开源代码reference: http://blog.youkuaiyun.com/cv_family_z/arti

reference: https://www.kaggle.com/wiki/MeanAveragePrecisionIntroductionParameters: nSuppose there are m missing outbound edges from a user in a social graph, and you can predict up to n ot

Trusty(14.04)deb http://mirrors.ustc.edu.cn/ubuntu/ trusty main restricted universe multiversedeb http://mirrors.ustc.edu.cn/ubuntu/ trusty-security main restricted universe multiversedeb ht

Step1 install opencv2.4.9 on ubuntu(recommand)Opencv 2.4.9 according to Total reference : http://www.cnblogs.com/platero/p/3993877.html http://blog.youkuaiyun.com/wingfox117/article/details/46278001 htt

reference link：http://blog.youkuaiyun.com/whiteinblue/article/details/43451383 本文是纽约大学Yann LeCun团队中Pierre Sermanet ，David Eigen和张翔等在13年撰写的一篇论文，本文改进了Alex-net，并用图像缩放和滑窗方法在test数据集上测试网络；提出了一种图像定位的方法；最后通过一

reference link: http://blog.youkuaiyun.com/whiteinblue/article/details/43312059本文是Matthew D.Zeiler 和Rob Fergus于（纽约大学）13年撰写的论文，主要通过Deconvnet（反卷积）来可视化卷积网络，来理解卷积网络，并调整卷积网络；本文通过Deconvnet技术，可视化Alex-net，并

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

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。 这篇

论文阅读笔记：Fully Convolutional Networks forSemantic Segmentation这是CVPR 2015拿到best paper候选的论文。论文下载地址：Fully Convolutional Networks forSemantic Segmentation

Reference link: http://blog.youkuaiyun.com/whiteinblue/article/details/43374195https://www.zybuluo.com/coolwyj/note/203086#1-classification    本文是纽约大学Yann LeCun团队中Pierre Sermanet ，David Eigen和张翔等在

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。

reference link：http://blog.youkuaiyun.com/shenxiaolu1984/article/details/51152614http://blog.youkuaiyun.com/xyy19920105/article/details/50817725思想从RCNN到fast RCNN，再到本文的faster RCNN，目标检测的四个基本步骤（候选区域生成，特征

CNN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，全连接层是需要固定大小输入的，因此提出了SPP层放到卷积层的后面，改进后的网络如下图所示：SPP是BOW的扩展，将图像从精细空间划分到粗糙

基于R-CNN的物体检测一、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 Segmenta

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,224*224,对于每一个处理之后的图片，把他都放到CNN上去进行特征提取，得到每个region proposal的feature map,这些特征

一.在python脚本中import caffe 添加sys.path.append('/home/wenyangming/caffe_new/caffe/python')但是仍然会遇到 cannot libcudart 的问题，这时候可以用如下解决方法:进入pycharm-community-2016.2/bin打开pycharm.sh185行左右# 找到

export LD_LIBRARY_PATH="$LD_LIBRARY_PATH:/usr/local/cuda/lib64"export CUDA_HOME=/usr/local/cuda

一直会遇到环境配好之后，还是会出现各种no module name 模块化的问题,在这里记录一下方便下次检索。实际上有两种比较快速的解决方式。1.在ubuntu中直接添加进环境变量(推荐)，一劳永逸vi .bashrcexport PYTHONPATH=~/caffe_new/caffe/python/:$PYTHONPATHexport PYTHONPATH=~/ke

Reference link:http://caffecn.cn/?/question/160Question:我只知道，输入检测到的box，回归的是检测到box中心点，以及box长和宽到标记的box的映射。看过rcnn的回归的过程，就是把那个loss函数最小。但这个红框里面的loss函数 谁能解释下-----------------------------

在跑caffe官网上notebook examples的时候出现： cannot import name symbol_database，这是与protobuf相关的文件，在网上查了好久有人说可能是版本的问题，所以就开始了慢长了安装，卸载protobuf的过程，最新的版本是2.6，然后是环境变量的配置，不过悲剧的是不管肿么搞仍然提示这个错误（还以为没有安装protobuf，

reference:http://blog.youkuaiyun.com/firethelife/article/details/51926754MAINLY SOLVE THE PROBLEM OF THE Error loading shared library libhdf5_hl.so历经千辛万苦，终于把caffe给装上了，我这次装的是无GPU版本，希望能把自己的安装过程踩

show()代码如下：function plot_log(logName)fid = fopen(logName, 'r'); test_loss = fopen('test_loss.txt', 'w'); train_loss = fopen('train_loss.txt', 'w'); train_lr = fopen('train_lr.txt','w');tline =

转自：http://blog.youkuaiyun.com/shuzfan/article/details/51338178“Xavier”初始化方法是一种很有效的神经网络初始化方法，方法来源于2010年的一篇论文《Understanding the difficulty of training deep feedforward neural networks》可惜直到近两年，这个方法才逐

本次介绍的方法为“深度压缩”，文章来自2016ICLR最佳论文 《Deep Compression: Compression Deep Neural Networks With Pruning, Trained Quantization And Huffman Coding转自:http://blog.youkuaiyun.com/shuzfan/article/details/51383809 (内含多

reference : http://ibillxia.github.io/blog/2013/04/06/Convolutional-Neural-Networks/1. 概述卷积神经网络是一种特殊的深层的神经网络模型，它的特殊性体现在两个方面，一方面它的神经元间的连接是非全连接的， 另一方面同一层中某些神经元之间的连接的权重是共享的（即相同的）。它的非全连接和权值共享的网络

本文的论文来自：Notes on Convolutional Neural Networks, Jake Bouvrie。         这个主要是CNN的推导和实现的一些笔记，再看懂这个笔记之前，最好具有CNN的一些基础。这里也先列出一个资料供参考：[1] Deep Learning（深度学习）学习笔记整理系列之（七）[2] LeNet-5, con

1、传统神经网络的训练方法为什么不能用在深度神经网络       BP算法作为传统训练多层网络的典型算法，实际上对仅含几层网络，该训练方法就已经很不理想。深度结构（涉及多个非线性处理单元层）非凸目标代价函数中普遍存在的局部最小是训练困难的主要来源。BP算法存在的问题：（1）梯度越来越稀疏：从顶层越往下，误差校正信号越来越小；（2）收敛到局部最小值：尤其是从远离最优区

原文地址：http://blog.youkuaiyun.com/hjimce/article/details/47323463作者：hjimce卷积神经网络算法是n年前就有的算法，只是近年来因为深度学习相关算法为多层网络的训练提供了新方法，然后现在电脑的计算能力已非当年的那种计算水平，同时现在的训练数据很多，于是神经网络的相关算法又重新火了起来，因此卷积神经网络就又活了起来，再