MR CODER

111

VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION ImageNet2014 定位第一，分类第二 "VGG"代表，牛津大学的Oxford Visual Geometry Group VGG 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...