- 博客(6)
- 资源 (10)
- 收藏
- 关注
RSS订阅原创 deplab V1、V2、V3
背景知识：CNN随着深度增加位置信息会减少。全连接层缺点1、位置信息 2、输入图片大小限制 3、权重太多（易过拟合）；全卷积（解决降采样分辨率过低）v1 1、空算法 2、crf优化fcn 后面3个层改全卷积；反卷积上采样32 。问题：压到 1./32再上采样，信息丢失太多（边界难识别）。所以，fcn结合了前面的层的信息，孔算法从另外角度解决，即一下子不压缩到那么小，例如压缩到1/8...
2020-04-06 14:04:58
328
原创 反向传播、卷积、反卷积一些要点
假设s这里误差单位1，到达，z 1(3)，error is δ 1(3) =1 ，因为最后一个神经元没有非线性变换。到达a1（2）， error is δ 1(3)*w12越过神经元maps z12 to a12，δ 1(2) = w1(2)* σ一撇(z1 (2))卷积的一些要点：输入32*32*3，参数个数：5*5（模板)* 3（前一通道厚度）=...
2020-04-05 23:29:00
359
原创 信息熵、决策树一些要点
左半圆圈，X的信息熵，右半圆，Y的信息熵H(X,Y) - H (X) 得到X给定的熵H(y/X)h(x,y)联合熵H（x)+ h(y) - h(x,y) = 中间小块 I(x,y) 即互信息- H(y/x)+H(y)=I(x,y)H(y/x)=H(y)-I(x,y)补充概率知识：熵的由来p(x,y)=p(x)*p(y) x、y独立把乘积变加和，取log...
2020-04-05 18:09:56
366
原创 gan 的要点 （弱点与改进、推土距离）
1、如何度量两个分布的相似度kl散度，分布的对数差异的数学期望（两个分布在所有取值上的加权平均）。2、极大似然估计可以看作最小化模型分布的kl散度距离等价。使得对数似然函数最大>等价转换（引入负号)>引入常数项>相除形式>kl散度定义3 、kl散度作为损失函数的模式塌陷问题：因为p(x)为其中一个分布的加权，所以不具有对称性，假设p(x) q(x)一个为...
2020-04-04 21:02:48
753
原创 深度学习reid中的要点与技巧（含样本不平衡）
1、采用多分支任务增强特征表达，例如一个分支基于softmax loss做分类，另一个分支基于triplet loss做 reid。repnet 属性分支：颜色和车型分类器；triplet loss 属性分支分支融合：乘积、减、拼接concat（大量使用）凡是用了deep ranking triple loss 这个技术一定要注意：不要重头训练，通常需要训练基本CNN 网络，例如先训练...
2020-04-04 15:41:23
1022
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人