MR CODER

这个神经网络有6000万参数，和650000个神经元，包含5个卷积层（某些卷积层后面带有池化层）和3个全连接层，最后一个是1000维的softmax。 为了防止过拟合，使用了dropout的正则化方法。 使用了120万高分辨率图像分到1000个不同的类别中。 使用了非饱和的神经元并对卷积操作进行了非常有效的GPU实现。 cnn的前面部分，卷积-激活函数-降采样-标准化。 AlexNet论文翻译—...

为什么要进行归一化和标准化？ 因为特征间的单位尺度可能不同，可能会导致计算结果也不同，尺度大的会起决定性作用，为了消除特征间的单位和尺度差异和影响，以对每维特征同等看待，需要对特征进行归一化操作。 因尺度差异，其损失函数的等高线可能是椭圆形，梯度方向垂直于等高线，下降会走zigzag路线，而不是指向local minimum,通过对特征进行平均值为0方差为1的变换后，其损失函数的等高线更接近圆形，...

梯度下降法分为全局梯度下降和随机梯度下降 全局梯度法训练的时候用的是所有的训练样本 gGD=1n∑i=1nΔθL(xi,yi,θt)g_{GD} = {{1} \over {n}}\sum_{i=1}^{n}\Delta_{\theta}L(x^{i},y^{i},\theta_{t})gGD​=n1​∑i=1n​Δθ​L(xi,yi,θt​) θt+1=θt−ηgGD\theta_{t+1} =...

摘要 （1）比V2体积更大，精度更高，但是速度仍有保障 （2）输入320/*320的图片后，v3能在22ms内处理完成，并取得28.2mAP，精度和SSD相当，但速度快上3倍。 介绍 更新 2.1边框预测 V3用逻辑回归预测每个边界框的objective score。如果当前预测的边界框比之前的更好的与ground truth对象重合，那他的分数就是1，如果当前的预测不是最好的但是和ground ...

softmax用于多分类过程中，往往加在神经网络的他将多个神经元的输出，映射到（0，1）区间内，看成概率来解，这些值的累和为1，在选取输出节点的时候选取概率最大的节点作为我们的预测目标，从而进行多分类。 Si=ei(∑jej)S_{i} = { \frac{e_{i}} {\choose\sum_{j}e^{j}} }Si​=(∑j​ej​)ei​​ softmax 相关求导 当对分类的Loss进...

找cuda：ls /usr/bin/cuda 查看GPU型号：nvidia-sml 下载与cpu对应的pytorch,例如： pip install https://download.pytorch.org/whl/cu90/torch-1.1.0-cp37-cp37m-linux_x86_64.whl pytorch下载网站：https://download.pytorch.org/whl/cu...

1.介绍 （1）大多数检测方法受限于小目标 （2）YOLOv2可以检测9000多种不同的物体 更好 （1）由于YOLO的缺点，我们的目标是提高召回和定位，同时保持分类的准确性。 （2）我们不是扩展我们的网络，而是简化我们的网络，然后使表示更容易学习。 ...

00

摘要 （1）将目标检测的设计看做是一个回归问题，从空间上分割边界框和类别的概率。 （2）在一次评估中，仅用一个神经网络就能预测整张图像的边界框和类别概率。 （3）特点： 1.检测速度非常快。 2.与其他实时检测系统相比能实现较高的mAP。 3.与其他先进的检测模型相比，定位误差更高，但不太可能将背景检测成目标（FP）。 4.能够学到非常泛化的表示。 1 介绍 （1）RPN网络的一些弊端： 1.使用...

早期目标检测流程 （1）候选框生成 （2）特征向量提取 （3）区域分类 DeepLearning 时代目标检测 （1）二阶检测器（如CNN，（R-CNN）及其变体） 首先使用候选框生成器生成稀疏的候选框集，然后使用深度卷积网络编码生成候选框的特征向量，最后使用区域分类器预测候选框区域类别 （2）一阶检测器（如YOLO） 直接对特征图像上的每个位置进行类别预测 二阶检测器性能更优，一阶...