DP动态规划问题

DP动态规划问题

动态规划方法常常应用于解决优化问题,通常分析一个问题是否可以用动态规划方法求解可以从以几个方面判断:

    阅读全文

    语义分割系列 -- FCN详解

    语义分割系列 – FCN详解

    FCN是深度学习用于语义分割领域的开山之作,他的主要核心贡献在于:

    阅读全文

    cross entropy 交叉熵以及softmax

    cross entropy 交叉熵以及softmax

    交叉熵常常用在CNN网络中,作为网络的loss,他描述的是模型数据分布与训练数据之间的相似程度。最小化交叉熵等价于模型产生数据与训练数据相似度越高。

    阅读全文

    卷积神经网络-- CNN

    卷积神经网络 – CNN

    CNN最早由LeCun 在1998年《Gradient-based learning applied to document recognition》中提出,并提出了一个目标检测的模型:LeNet-5,随后在2012年ImageNet竞赛上,基于CNN网络的AlexNet取得了第一,且正确率超出第二近10%,取得了历史性的突破。CNN开始大放异彩,VGG Net,Google Net,ResNet等,都是基于CNN网络的一些杰出的工作。

    阅读全文

    深度学习中常用的技术(面试考点)

    深度学习中常用的技术(面试考点)

    (一)神经网络中,防止过拟合的方法有:

      阅读全文

      Faster RCNN详解

      Faster RCNN详解

      Faster RCNN 是在Fast RCNN的基础上,进一步改进,解决select search 算法选择候选框速度太慢的问题。

      阅读全文

      Fast RCNN详解

      Fast RCNN详解

      SPP-Net改造了RCNN,使用SPP layer使得输入图片大小不受限制,同时使用region proposal映射的方式,大大加速了目标检测的速度,但是SPP-net训练需要花费很多时间,同时fine-tune不能越过SPP层,因为pyramid BP开销太大了(金字塔感受野比较大),只能fine-tune全连接层,tune不到卷积层,所以在一些较深的网络上准确率上不去。
      Fast RCNN 受到SPP-Net网络,在网络卷积层后加入ROI层(region of interesting)。此外,损失函数使用了多任务损失函数(multi-task loss),将分类和边框回归两个loss统一到一个网络中一起训练。

      阅读全文

      SPP-Net详解

      SPP-Net详解

      在fast RCNN 之前,RCNN的进化中SPP Net的思想对其贡献很大,下面先介绍一下SPP Net。

      阅读全文

      RCNN详解

      目标检测

      目标检测任务主要有两个不同的思路。一种思路是借鉴语义分割的做法,这方面的工作有YOLO和SSD另一种思路是把目标检测看作分类任务(bounding box中对象的类别)和回归任务(回归bounding box)的组合。主要的工作有R-CNN,SPP-Net,Fast R-CNN,Faster R-CNN。方法一速度快但精度稍差,方法二速度慢但精度高,是主流方法。

      阅读全文

      MAC 私人订制

      配置git

      Mac上安装Xcode命令行工具,命令行工具包是一个小型独立包,可供下载独立于Xcode的和允许您执行命令行开发OS X:

      1
      xcode-select --install

      阅读全文