xjc864588399的博客

今天，自己在用caffe训练alfw的pose数据集时，使用欧几里得loss回归，发现测试的每张图片经过训练的网络，得到的回归值几乎全都一样。刚开始以为数据错了，于是在caffe的data_layer层中将读入的值打印出来，发现没问题；继续将欧几里得loss层的两个bottom输入的值也打印出来，发现在经过几千次迭代后，验证集的预测值几乎都一样，一点点查原因。网络结构、数据都没问题，但是这个现象说

因为使用RFCN直接训练ImageNet的baselinemAP只有24%左右，太低，打乱自己的计划，之前那种网络结构都没有机会去在ImageNet上使用，先找这个问题。花了一周时间，从重新写imagenet.py，处理ImageNet的数据，到训练完，得到结果，花了四天，还是这么高。说明之前训练RFCN的ImageNet数据处理是没有问题的，但是为何如此低，难道是因为ImageNet的目标检测比

因为跑一次ImageNet需要2天多的时间，所以一开始是在VOC上做修改网络结构的实验。在网络结构上主要尝试了以下实验：第一种，就是直接使用RFCN+ Resnet101 结构跑VOC，什么改动都没有，结果作为baseline。第二种，在RFCN的ps-roipooling层，加入pad_ratio,之所以要加pad_ratio,相当于起到增大了proposal对应原图的尺寸，比如pad_

首先，是调研，自己之前使用CNN做的都是分类任务，对检测了解一些，但是了解的不多，所以看了许多论文和一些博客。按照CNN 做目标检测的时间发展顺序介绍。RCNN，首先使用selectivesearch得到许多候选框，然后将这些候选框resize到一个固定相同的大小，使用CNN 预训练的网络提取特征，每个特征都对应一个SVM 分类器，判别该类属于类别，使用一个线性脊回归器进行精修框的位置。特点是

教程在tensorflow 的官网上,我是用的源码编译https://www.tensorflow.org/install/install_sources首先安装 Bazel也是源码编译https://bazel.build/versions/master/docs/install-compile-source.html在编译bazel之前把PATH加上JDK的二进制路径比如$

最近，一篇非常火的报道，使用pytorch 加 50 行核心代码模拟 GAN  对抗神经网络，自己尝试走了一遍，并对源码提出自己的理解。原文链接如下 https://medium.com/@devnag/generative-adversarial-networks-gans-in-50-lines-of-code-pytorch-e81b79659e3f#.nr3akui9z cod

在centos7 上安装torch7，首先在github上下载，  git clone https://github.com/torch/distro.git ~/torch --recursive  获取安装LuaJIT（C语言编写的Lua的解释器）和Torch所必需的依赖包然后，进入torch文件夹，打开并执行install-deps中的命令，因为我之前已经在服务器上配置好了caffe

https://keras.io/getting-started/faq/  查看Keras 官方文档If you are running on the TensorFlow backend, your code will automatically run on GPU if any available GPU is detected.If you are running on the

最近，做基于caffe的多任务学习，所以写下这篇博客如何修改网络使其支持多任务学习。   一般地，一个卷积神经网络只是对某一个特定的目标进行学习训练。其实，也可以使一个网络并行地对两个或两个以上的任务进行学习，网络参数共享，这样可以起到减少模型个数，并且使模型具有很好的泛化能力。  那么，应该如何对一个网络修改使其能够进行多任务学习呢，做法不是很复杂，比如对于 caffe里面的Alexne

距离截止日期还剩下一周，baseline还没有，但是已经找到问题所在。我把之前的VOC的prototxt换成coco的，然后使用class-aware的方式，训练。这样原先bbox输出的8个点，就变成了现在的804点，rfcn的8*7*7变为804*7*7，计算量无疑变大，训练速度自然也就变慢。由之前的1s2.5轮，变为现在1s1 轮。而batch是1，两块卡是2，也就是1s能够过两张图片，两个半