无奈的小心酸的博客

论文全名：[2015](HED_FCN)Holistically-Nested Edge Detection.pdf代码下载地址：https://github.com/s9xie/hed附上一篇个人认为写的比较好的论文笔记：http://blog.youkuaiyun.com/u012905422/article/details/52782615关于HED的训练在另一篇博客中已经讲过，

caffe程序时候做了一个拷贝权重的操作，报错具体为：F1128 17:26:07.834883  3054 net.cpp:141] Check failed: param_size 我的convolution1的设置为layer {  name: "Convolution1"  type: "Convolution"  bottom: "elt-da

转自：http://blog.youkuaiyun.com/jyfu2_12/article/details/76208966经常在使用Python的时候需要安装各种模块，而pip是很强大的模块安装工具，但是由于国外官方默认pip访问速度慢,经常被墙，导致无法安装，所以我们最好是将自己使用的pip源更换一下，这样就能解决被墙导致的装不上库的烦恼。 网上有很多可用的国内镜像源

转自：http://blog.youkuaiyun.com/s151506879/article/details/52073392例：%生成训练数据；clear;close all;%% settingsfolder = 'Train';savepath = 'train.h5';size_input = 33;%输入图像矩阵size_label = 21;

转自：http://blog.youkuaiyun.com/shuzfan/article/details/51460895Loss Functionsoftmax_loss的计算包含2步：（1）计算softmax归一化概率（2）计算损失这里以batchsize=1的2分类为例： 设最后一层的输出为[1.2 0.8],减去最大值后为[0

论文名：Richer Convolutional Features for Edge Detectioncode：https://github.com/yun-liu/rcf这是cvpr2017的一篇文章，方向是边界分割，在这个语义分割横行的领域，边界分割的论文已经不多了，不过这篇论文着实不错好的，话不多说，看看论文是怎么做的其实这篇论文算是HED的加强版，

转自：http://blog.youkuaiyun.com/langb2014/article/details/68068127题目】分形网络：无残差的极深神经网络（FractalNet: Ultra-Deep Neural Networks without Residuals）【作者】芝加哥大学 Gustav Larsson，丰田工大学芝加哥分校 Michae

转自：http://m.blog.youkuaiyun.com/Aaron_wei/article/details/76862038本文提出了一种利用生成对抗网络(GAN)对低分辨率单一图像进行超分辨率(super-resolution)的网络结构，作为GAN的一种重要应用，很值得去学习研究。阅读原文点这里。Abstract尽管我们已经利用更快更深的卷积

命令为./build/tools/caffe train --solver examples/DPPN/solver_dct_pixel.prototxt 2>&1| tee mylog/caffe.log首先cd进入caffe根目录执行该命令，examples/DPPN/solver_dct_pixel.prototxt 为执行文件路径mylog/ca

深度学习中，如果针对图像进行处理，通常采用ycbcr对彩色图像进行处理，将得到的结果利用神经网络对Y通道进行神经网络处理，得到处理后的灰色图像，再将彩色信息进行填充，即可得到彩色结果图像1.利用ycbcr对彩色图像进行处理，输出结果的Y通道image=imread('baboon.jpg');image = rgb2ycbcr(image);image1 = im

转自：https://zhidao.baidu.com/question/621624946902864092.htmlcaffe 中为什么bn层要和scale层一起使用这个问题首先你要理解batchnormal是做什么的。它其实做了两件事。1) 输入归一化 x_norm = (x-u)/std, 其中u和std是个累计计算的均值和方差。2）y=alpha×x_norm +

转自：http://blog.youkuaiyun.com/heyongluoyao8/article/details/48636251循环神经网络(RNN, Recurrent Neural Networks)介绍   这篇文章很多内容是参考：http://www.wildml.com/2015/09/recurrent-neural-networks-tutorial-part

论文名称：Perceptual Losses for Real-Time Style Transfer and Super-Resolution来源：      CVPR 2017这是一篇提出一种创新loss处理方式的论文，用来证明结果的实验有2个，分别为图像风格转换和超分辨率，本文中只针对超分辨率进行比较首先，作者提出，超分辨率、图像风格转换、去噪其实都可以归类为 i

论文全名：Fully Convolutional Networks for Semantic Segmentation全卷积神经网络 FCN代码运行详解：运行平台：Ubuntu 14.04 + cudnn7步骤1.代码准备：下载新版caffe：   https://github.com/BVLC/caffe下载fcn代码：      https://gith

caffe程序中，有时候我们不需要更新某些层，那么我们该怎么做呢？假设共有5个卷积层，conv1,conv2,conv3,conv4,conv5为了方便，假设只有这5个卷积层，没有pool层与relu层卷积层的定义为layer{  name:"conv1"  type:"Convolution"  bottom: "data"  top: "conv1"

Eltwise层的操作有三个：product（点乘）， sum（相加减） 和 max（取大值），其中sum是默认操作。elewise层含有参数coeff，虽然经常省略不写如果实现A-B，则可采用以下方式：layer { name: "eltwise_layer" type: "Eltwise" bottom: "A" bottom: "B" top

在实验室电脑上完成编译 在个人笔记本上采取博客中所写方法直接添加编译后的Release已经成功实现matcaffe的使用 特此分享编译后的matcaffe如果需要使用cpu版本的matcaffe 可直接下载 无需用VS编译在此分享下自己编译后的 matcaffe的Release  无GPU http://pan.baidu.com/s/1qYnZfnY如果需要使用m

论文全名：Accurate Image Super-Resolution Using Very Deep Convolutional Networks下载地址：https://pan.baidu.com/s/1ge2pCWFcode：https://github.com/huangzehao/caffe-vdsr该论文利用残差学习，加深网络结构（20层），在图像的超分辨

转自：http://www.mamicode.com/info-detail-594961.htmlCaffe中的损失函数解析导言在有监督的机器学习中，需要有标签数据，与此同时，也需要有对应的损失函数（Loss Function）。在Caffe中，目前已经实现了一些损失函数，包括最常见的L2损失函数，对比损失函数，信息增益损失函数等等。在这里做一个笔记，归纳

转自http://www.mamicode.com/info-detail-1368127.htmlcaffe 参数介绍solver.prototxtnet: "models/bvlc_alexnet/train_val.prototxt" test_iter: 1000 # test_interval: 1000 # base_lr: 0.01

转自：http://www.cnblogs.com/yinheyi/p/6070213.htmlcaffe中各层的作用:关于caffe中的solver:cafffe中的sover的方法都有:Stochastic Gradient Descent (type: "SGD"),AdaDelta (type: "AdaDelta"),Ada

论文名称：SRN: Side-output Residual Network for Object Symmetry Detection in the Wild   ----CVPR 2017code地址：https://github.com/KevinKecc/SRN论文概述：一篇做图像对称性骨骼的论文，与以往不同的是，此篇论文中采用了自定义的benchmark，基于HED进行网络改造，

论文名称：MemNet: A Persistent Memory Network for Image Restoration作用领域：图像修复（去噪，超分辨率）code：https://github.com/tyshiwo/MemNet概述：这是一篇ICCV2017的文章，作者是DRRN（CVPR2017）的那一帮人，该篇论文中提出一个延长记忆的模型，传统的神经网络基本上都

转自： http://blog.youkuaiyun.com/cyh_24/article/details/51537709caffe 参数介绍solver.prototxtnet: "models/bvlc_alexnet/train_val.prototxt" test_iter: 1000 # test_interval: 1000 # base

在网上搜了相关解决方法其中 ，有的方法不可行，有的方法不全面，经过个人尝试，可以采用以下完备方案：首先尝试，修改Makefile.config，将PYTHON_INCLUDE := $(ANACONDA_HOME)/include \#                 $(ANACONDA_HOME)/include/python2.7 \#    

windows命令行模式下可以：.build/tools/caffe train --solver examples/DMAM/DMAM_solver.prototxt --snapshot=examples/DMAM/Model/_iter_190000.solverstatelinux下可以python solver.py --snapshot=XXXXX.solverst

原因： 网络结构的文件，通常为trainval.prototxr文件中存在语法错误，例如符号缺失等语法错误我的错误原因在于，在定义layer时候，少了个引号

论文名： Wide Residual Networkscode:   https://github.com/szagoruyko/wide-residual-networks引言： 随着研究的深入，如今的神经网络发展趋向于更深，更瘦，作者提出一个疑问，神经网络是否越瘦越深则结果越好？ 还是说只要能保证参数的数量，训练一个更胖更浅的网络 是否可行？网络结构：其

论文名： Image Restoration Using Very Deep Convolutional Encoder-Decoder Networkwith Symmetric Skip Connection   ------------------2016 NIPS论文针对图像修复方向，提出了一种跳跃链接的残差网络，总体来说论文结构简单，不过有点意思，所以简单说一下：

论文题目：One-to-Many Network for Visually Pleasing Compression Artifacts Reduction这是一篇针对图像压缩恢复的论文，近来的研究大多采用one-to-one的映射模式，利用逐像素的L2 loss进行优化训练，得到的结果往往过于平滑，丢失了较多的图像细节纹理信息，即便得到的结果拥有较高的PSNR，但是在视觉效果上不能令人满意，因此...