MR CODER

作用：MapReduce是一个用于处理和生成大型数据集的程序模型。实现：用户使用map函数处理输入的键值对来生成一组中间的键值对，使用reduce函数合并中间键值对中相同的键（中间数据是通过迭代的方式来提供给reduce函数的，这样就可以处理内存无法满足的大量数据）优点：运行时，系统负责划分数据，在一组机器上调度程序的执行，处理机器故障和管理所需机器间通信的细节，对使用人员友好不必去了解系统内部的细节。步骤：（1）用户程序中的MapReduce库首先将输入文件分成M份，每份的大小一般都是16-64

111

VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITIONImageNet2014 定位第一，分类第二"VGG"代表，牛津大学的Oxford Visual Geometry GroupVGG 的特点：（1）小卷积核：作者将卷积核全部替换为3*3，极少用了1*1（2）小池化核：相比AlexNet的3*3的池化核，V...

手写字体识别模型LeNet5诞生于1994，是最早的神经网络之一。现在常用的LeNet-5（卷积池化当作一层的话，共5层）结构和Yann LeCun教授在1988年提出的结构在某些地方有区别，比如激活函数的使用，现在一般采用ReLU作为激活函数，输出层一般选择softmax。(论文RBF)性质：随着网络越来越深，图像的高度和宽度在缩小，但channel数量一直在增加。局限性：CNN能够从...

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—...

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 ...

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。...

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...

00

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...