Sundrops的专栏

一直对softmax的反向传播的caffe代码看不懂，最近在朱神的数学理论支撑下给我详解了它的数学公式，才豁然开朗SoftmaxWithLoss的由来SoftmaxWithLoss也被称为交叉熵loss。 回忆一下交叉熵的公式，H(p,q)=−∑jpjlogqjH(p,q)=−∑jpjlog⁡qjH(p, q) = -\sum_j p_j\log q_j，其中向量 ppp是原...

之前一直是使用faster rcnn对其中的代码并不是很了解，这次刚好复现mask rcnn就仔细阅读了faster rcnn，主要参考代码是pytorch-faster-rcnn ，部分参考和借用了以下博客的图片 [1] CNN目标检测（一）：Faster RCNN详解姊妹篇mask rcnn解析整体框架首先图片进行放缩到W*H，然后送入vgg16(去掉...

caffe里自带的convert_imageset.cpp直接生成一个data和label都集成在Datum的lmdb(Datum数据结构见最后)，只能集成一个label。而我们平时遇到的分类问题可能会有多个label比如颜色，种类等。目前网上有多种解决方法： 1. 修改caffe代码，步骤繁琐，但是对于理解代码有帮助 2. 加入多个data和label层作为输入，简单可行，但是需...

在我的上一篇博客中caffe实现多标签输入中，介绍了用把图像和label分来，各自做成lmdb，最后把label的lmdb用slice层分开，这篇博客介绍另一种修改源码的方法实现多label，比其他博客改动源码最少简介我们都知道ImageDataLayer是直接读取原图进行分类，它的label是单label，文件格式如下train.txt示例001.jpg 1002...

前面的博客介绍了如何生成多label的训练数据，也介绍了测试时对图片处理需要注意的点，这篇博客就来介绍如何利用训练好的模型进行实际测试官方版demoimport numpy as npimport osimport sysimport cv2caffe_root = 'your caffe root'sys.path.insert(0, caffe_root + '/...

上一篇博客中介绍了caffe实现多label输入，其中有一些图片处理的操作（训练验证数据），当时我选择了PIL库，但是在测试中用了caffe官网demo的代码，它使用了caffe提供的一些python接口，而它调用的是skimage这个库，所以有些许差异，可能会带来精度上的一些影响。这篇博客先介绍一下这些库的差异，下篇博客介绍测试时可能出现的小错误PIL(RGB)首先介绍PIL...