- 博客(4)
- 收藏
- 关注
RSS订阅原创 Resnet论文总结
1.问题引入通过分析很多网络结构，作者发现网络深度是一个影响网络性能的因素，因此提出：是否网络越深，神经网络的学习效果越好？解决这个问题之前，一个有关深度神经网络的明显问题就是梯度消失。我们知道，在深层神经网络当中，经常会遇到梯度消失的问题，这可以通过标准初始化和中间层初始化来解决，这使得数十层的网络在通过SGD训练即可达到收敛。在解决了梯度消失问题之后，网络越深，是否性能就越好呢？作者通过...
2019-01-12 22:40:59
5918
1
原创 Faster R-CNN
1.Fast R-CNN的问题Fast R-CNN中最大的问题就是使用Selective Search来生成区域候选框，这极大地降低了整个算法的速度。2.Faster R-CNN怎么解决问题Faster R-CNN的网络结构如下图所示，可以简单的看成是RPN网络+Fast R-CNN网络，用区域生成网络来代替SS算法生成区域候选框。（1）首先输入任意size的图片。（2）图片经过卷积层...
2019-01-08 20:00:48
383
原创 Fast R-CNN
R-CNN存在的问题1.R-CNN训练是多层次的流水线进程：R-CNN网络训练过程分为ILSVRC 2012样本下的有监督预训练、PASCAL VOC 2007特定样本下的fine-tuning、20个SVM分类器训练、20个bounding box回归器训练，训练流程复杂繁琐。同时测试过程包括提取建议框、提取CNN特征、SVM分类、bounding box回归等步骤，过于繁琐。2.R-CNN...
2019-01-07 22:45:14
375
原创 RCNN论文总结
1.算法流程本篇论文采用的方法是：首先输入一张图片，然后用选择性搜索（SS）的方法给出2000个物体候选框，接着利用CNN网络对每个候选框提取特征向量，最后用SVM对每个候选框中的物体进行分类识别和用回归器精细修正候选框的位置。算法的具体流程如下图所示：2.区域候选框**RCNN论文采用的是传统的选择性搜索的方法来生成2000个大小各不相同的矩形候选框。**从上面的算法流程我们可以知道，...
2019-01-07 18:34:40
822
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人