BigCowPeking

faster-RCNN算法原理详解

CenterLoss的caffe实现

深度学习：模型参数调优

深度学习调参：简短的注意事项

模型调参：绘制loss曲线图

模型调参：tips总结

模型调参：分步骤的提升模型的精度

边界回归的详解，还是看这个原版的吧！

一篇讲通过改进NMS来提高检测效果的论文。文章链接： 《Improving Object Detection With One Line of Code》Github链接： https://github.com/bharatsingh430/soft-nmsMotivation绝大部分目标检测方法，最后都要用到 NMS-非极大值抑制进行后处理。 通常的做法是将检测框

caffe测试时间：每一层的时间我用的是ubuntu的caffe。在caffe的目录下在terminal中运行以下命令用以测试已经训练好的caffemodel的accuracy：（或者将以下命令放在.sh文件中运行）./build/tools/caffe test --model=./examples/mnist/lenet_train_test.proto

SqueezeNet网络的OHEM

转载：https://zhuanlan.zhihu.com/p/22252270（标题不能再中二了）本文仅对一些常见的优化方法进行直观介绍和简单的比较，各种优化方法的详细内容及公式只好去认真啃论文了，在此我就不赘述了。SGD此处的SGD指mini-batch gradient descent，关于batch gradient descent, stochastic gradient descent...

Must Know Tips/Tricks in Deep Neural Networks  Deep Neural Networks, especially Convolutional Neural Networks (CNN), allows computational models that are composed of multiple processing layers to lear...

卷积的十大拍案叫绝的操作一、卷积只能在同一组进行吗?– Group convolutionGroup convolution 分组卷积，最早在AlexNet中出现，由于当时的硬件资源有限，训练AlexNet时卷积操作不能全部放在同一个GPU处理，因此作者把feature maps分给多个GPU分别进行处理，最后把多个GPU的结果进行融合。AlexNet分组卷积的思想影响比较深远，当前一些轻量级的S...

转载：https://zhuanlan.zhihu.com/p/27449596?utm_source=weibo&utm_medium=social在调整模型更新权重和偏差参数的方式时，你是否考虑过哪种优化算法能使模型产生更好且更快的效果？应该用梯度下降，随机梯度下降，还是Adam方法？这篇文章介绍了不同优化算法之间的主要区别，以及如何选择最佳的优化方法。什么是优化算法？优化算法的功能，...

1. weight decay（权值衰减）的使用既不是为了提高你所说的收敛精确度也不是为了提高收敛速度，其最终目的是防止过拟合。在损失函数中，weight decay是放在正则项（regularization）前面的一个系数，正则项一般指示模型的复杂度，所以weight decay的作用是调节模型复杂度对损失函数的影响，若weight decay很大，则复杂的模型损失函数的值也就大。2. mome...

centerloss的论文解读

BatchNorm层训练和测试的注意事项

PVAnet目标检测注意点

face FasterRCNN的安装步骤，训练和测试的过程

SPP-net网络简介

RCNN系列讲解

区域推荐网络RPN

1：在caffe中最后输出的loss是smooth之后的loss，平均了过去N次的loss，在solver中可以设置，把这个值设为iter = 1，就会只输出当前迭代的loss.

OHEM层

目标检测

深度学习调优

caffe中添加Python层

hole algorithm增强卷积的视野

caffe中Python层的使用

残差网络理解

bounding box voting

Inception网络的理解 　　第一张图是论文中提出的最原始的版本，所有的卷积核都在上一层的所有输出上来做，那5×5的卷积核所需的计算量就太大了，造成了特征图厚度很大。为了避免这一现象提出的ince

CNN网络设计的理解点

今年过年之前，MSRA和Google相继在ImagenNet图像识别数据集上报告他们的效果超越了人类水平，下面将分两期介绍两者的算法细节。　　这次先讲Google的这篇《Batch Normalization Accelerating Deep Network Training by Reducing Internal Covariate Shift》，主要是因为这里面的思想比较有普适性，而且一直...