XZZPPP的博客

1、简介       R-CNN是深度学习在目标检测任务上的应用，其中R对应于“Region(区域)”。整体框架与传统方法相似。       本文两个关键点是：1、使用候选窗口，并用CNN对其进行特征提取；2、样本缺乏时，使用大量辅助样本预先训练，再用自己样本进行微调。        整体框架大致为：生成候选窗口(Selective Search)，进行特征提取(CNN)，对窗口进行分

1、简介空间金字塔池化，使得任意大小的特征图都能够转换成固定大小的特征向量，这就是空间金字塔池化的意义（多尺度特征提取出固定大小的特征向量），送入全连接层。整体框架大致为：输入图像，卷积层提取特征，空间金字塔池化提取固定大小特征，全连接层。具体的流程图如下： 2、具体算法的大体流程    首先通过选择性搜索（selective search），对待检测的图片进行搜索出2000个

1、简介Fast R-CNN将整个图片送入网络时同时将object proposal(这里称为RoI，一张图片中得到约2k个)也送入网络，每一个RoI被Rol pooling layer(相当于一个单层的SPP layer)统一到一个固定大小的feature map，然后通过两个全连接层（FCs）将其映射到一个特征向量。这个特征分别share到两个新的全连接，连接上两个优化目标，第一个是s

原文：A Convolutional Neural Network Cascade for FaceDetection1、简介    CascadeCNN是对经典的Violajones方法的深度卷积网络实现，是一种检测速度较快的人脸检测方法。使用VGA图片，在CPU上达到14FPS，GPU上达到100FPS，在FDDB上达到85.1%的召回率和87%的准确率。2、总体框

Faster R-CNN（其中R对应于“Region(区域)” ）是基于深度学习R-CNN系列目标检测最好的方法。使用VOC2007+2012训练集训练，VOC2007测试集测试mAP达到73.2%，目标检测的速度可以达到每秒5帧。

我在调试faster rcnn demo.py的代码后，用监控卡口图片做了测试，并统计了其浮点运算次数（这只是一个粗略的统计，即仅统计了卷积部分乘法运算次数），另外，该代码可以通过pycharm调试，为了能深入理解其内部原理，建议大家动手调试。     上表中，结合protobuf文件，我们知道，layer_name表示层名，bottom表示层输入数据，top表示层输出数据，kernel_si

本博客在上一篇博客基础上添加了批量处理图片的功能，上一篇博客： Windows下cmake编译caffe，实现纯C++版本MTCNN人脸检测和关键点定位      作者提供的程序是读取摄像头视频，而我需要读取图片，且利用txt文件批量读取图片，分别对每一张图片进行人脸检测和人脸关键点检测，并保存检测结果（也可以显示每张图片效果图）。使用时，替换原来的

2017.5.28 发现 caffe官方windows版本已经不提供vs工程文件了，需要用cmake编译生成sln文件。详细编译调试过程如下： 一、开发环境要求：        Windows 7/10，64位系统，Visual Studio 2013以上版本，推荐使用VS2015，安装anaconda2.4或以上版本。 二、下载caffe windows版本源码，生成vs