- 博客(20)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 基于Faster R-CNN的水下目标检测
一、算法与代码参考文章https://zhuanlan.zhihu.com/p/32404424代码链接
2021-06-09 15:10:37
476
转载 Inception系列网络
详情请参考原文链接https://zhuanlan.zhihu.com/p/161494535以下为个人思考：1、Inception V1从宽度上增加卷积层，这是与当时主流从深度上增加卷积层的网络所区别的。在网络表达和调节上起到一定作用，使得计算量减少，Inception系列也延续了V1的基础。2、Inception V2开始有了质的飞跃，Batch Normalization的提出不仅加快训练速度，也起到减小过拟合的作用，使得后来不少网络借鉴。此外，用两个或以上更小的卷积层替代较大的卷积层方式
2021-02-19 12:37:16
201
转载 基于深度学习的水下目标检测
浏览到某博主关于参赛经历的文章，原文请查看https://zhuanlan.zhihu.com/p/129842491以下为个人思考：深度学习和目标检测大家都了解，针对“水下”目标，从数据处理到训练可以有各种各样的方法来提高效果或效率。一、数据预处理对图像数据进行预处理，能改善其特征，影响目标检测的效果。例如数据增强RandomBrightnessContrast、CLANE、IAAAEmboss和IAASharpen，能在纹理、边缘或泛化能力上提升。二、数据集处理数据集往往存在样本
2021-01-26 12:21:53
2087
转载 基于深度学习的目标检测算法综述
原文链接：https://zhuanlan.zhihu.com/p/40047760原文作者是美图云视觉技术部 检测团队，作者对截至2018年7月的基于深度学习的目标检测算法进行综述，详情请查看原文链接。在综述中，作者展示了算法的核心思想，配图加以理解。同时给出算法效果，以及部分代码链接和文献链接。...
2021-01-14 11:10:56
117
转载 目标检测RoI-Align
关于RoI-Align的原理请查看原文链接：https://zhuanlan.zhihu.com/p/73113289对于RoI-pooling的缺点在于两次量化，从原图映射到特征图的region proposal大概率是浮点数大小，这里需要进行一次量化；对特征图上的region proposal进行分块时也需要一次量化，方便pool操作。两次量化使得region proposal反映射至原图会出现误差，误差量与原图分辨率有关。这种偏差对分辨率较高和目标较大的影响较小，而对小目标影响较大。而RoI-
2020-12-09 11:08:53
410
转载 Feature Pyramid Network
关于目标检测中的特征金字塔Feature Pyramid Network原理介绍请参考原文链接：https://zhuanlan.zhihu.com/p/62604038以下是个人思考：Feature Pyramid Network（FPN）的思想是希望高层特征信息可以与底层高分辨率融合，这样既能获得强特征，又能在高分辨率中提取目标位置。特点是在每个融合后的特征层上单独进行预测。其思想是为RoI pooling提供更多的输入，使其能挑选更好的特征表达。...
2020-12-08 15:59:19
109
转载 深度学习中的Dropout
Dropout的简单介绍请查看原文链接：https://zhuanlan.zhihu.com/p/38200980以下为个人思考： 正如原文所说，Dropout起到平均的作用，减少神经元之间的依赖性。但显然，Dropout是一种简单而直接的方法，原因是其固定概率随机忽略神经元。为了改进该方法，可以设计更复杂的算法达到取平均和减少依赖性的作用。例如对神经元输出值或连接权值明显偏离均值的神经元，进行忽略处理或以相对概率减少其连接权值，促使网络更依靠大多数神经元的共同作用进行识别，让大多数神经...
2020-12-02 16:46:05
211
转载 深度信念网络与受限玻尔兹曼机
原文链接：https://my.oschina.net/u/876354/blog/1626639深度信念网络(DBN)简介请查看原文，以下为个人理解：1、与神经网络不同，受限玻尔兹曼机（RBM）以概率分布形式表示单元；2、RBM以热平衡为基础，通过训练使其达到稳定状态，即为最优状态；3、得益于RBM和对比散度算法（CD），使得DBN能更快地训练，且训练时采用逐层训练的方法提高了效率；４、DBN采用逐层训练后，只需再使用传统BP算法再次训练，微调参数即可完成训练；５、DBN属于无监督
2020-11-30 15:38:50
224
转载 目标检测算法Faster R-CNN
Faster R-CNN称为超快速的区域卷积神经网络，是对Fast R-CNN的改进，是Fast R-CNN与RPN的结合。详情请查看转载链接。以下是个人思考：Faster R-CNN主要的改进是提出了RPN（候选区域网络）的概念，其作用是替代原来Selective search（选择性搜索）而生成候选区域。从R-CNN开始所使用的Selective search是综合图像颜色、纹理和层次等因素来寻找目标区域的，虽然综合性的考虑能较准确地定位目标区域，但不可否认其候选区域数量依旧庞大。RPN以卷积层
2020-11-04 11:32:56
221
转载 目标检测算法Fast R-CNN
快速的区域卷积神经网络（Fast R-CNN）是用于目标检测的算法，详情请查看转载的原文链接。以下是个人思考：在理解Fast R-CNN之前，应该理解SPP-net空间金字塔池化层的概念，因为SPP是Fast R-CNN的核心之一。SPP是位于最后卷积层和全连接层之前的一个池化层，其作用一是保持全连接层的输入维度固定；二是保证只对图像提取一次卷积层特征。SPP将卷积层输出划分为固定的4*4、2*2、1*1的块并连接起来，组成长度为21的特征向量，这样固定地划分块使得经过SPP处理后，输出的维度固定。
2020-11-03 15:59:26
148
转载 目标检测算法R-CNN
R-CNN名为区域的卷积神经网络，用于目标检测，详情请查看转载链接。以下是个人思考：R-CNN是传统思想产生的目标检测算法，每个步骤都运用当时正常能想到的方法。例如用卷积神经网络来进行特征提取，SVM进行分类等。R-CNN特点在于区域推荐使用的selective search选择性搜索方法，该方法综合考虑了目标的颜色、纹理、层次等，相比于普通的图像分割考虑的因素更为全面，这点也是体现目标检测与传统图像处理方法的区别。...
2020-11-03 15:21:04
251
转载 8种数据结构——图
图的基本概念请查看转载链接，以下是个人理解。邻接表和邻接矩阵的比较：邻接表以节点为中心，关注每个节点与哪些节点相连；邻接矩阵以边为中心，关注每条边连接着哪两个节点。对于新增一个节点，邻接表只需增加一条数据即可，而邻接矩阵需要在二维层级上增加数据；对于新增一条边，邻接表需要修改两条数据，而邻接矩阵只需修改一个地方的数据即可。因此，当图为稀疏图、顶点较多，即图结构比较大时，更适宜选择邻接表作...
2020-05-03 18:47:26
347
原创 8种数据结构——树
一、树的基本术语节点的度：树中某个节点的子树的个数。树的度：树中各节点的度的最大值。分支节点：度不为零的节点。叶子节点：度为零的节点。路径：i->j；路径长度：路径经过节点数目减1。孩子节点：某节点的后继节点；双亲节点：该节点为其孩子节点的双亲节点（父母节点）；兄弟节点：同一双亲的孩子节点；子孙节点：某节点所有子树中的节点；祖先节点：从树节点到该节点的路径上的节点。...
2020-05-03 18:43:24
358
原创 C++：堆和栈的区别
（1）管理方式：堆中资源由程序员控制（通过malloc/free、new/delete，容易产生memory leak），栈资源由编译器自动管理。（2）系统响应：对于堆，系统有一个记录空闲内存地址的链表，当系统收到程序申请时，遍历该链表，寻找第一个大于所申请空间的空间的堆结点，删除空闲结点链表中的该结点，并将该结点空间分配给程序（大多数系统会在这块内存空间首地址记录本次分配的大小，这样dele...
2019-10-25 16:32:08
110
转载 非阻塞与异步的关系
详情请看原文链接。故事：老王烧开水。出场人物：老张，水壶两把（普通水壶，简称水壶；会响的水壶，简称响水壶）。老王想了想，有好几种等待方式1.老王用水壶煮水，并且站在那里，不管水开没开，每隔一定时间看看水开了没。－同步阻塞老王想了想，这种方法不够聪明。2.老王还是用水壶煮水，不再傻傻的站在那里看水开，跑去寝室上网，但是还是会每隔一段时间过来看看水开了没有，水没有开就走人...
2019-10-23 11:11:06
163
转载 操作系统-文件读写过程
硬核详情请查看原文链接，以下是我个人利用书本比喻的理解。先来看看一本书籍：假设我们从图书馆中寻找一本“操作系统”的书，我们需要知道的是书名；当我们找到这本书后，我们相当于得到了书本的全部内容，即使我们还没开始阅读。书本会有目录：从目录中我们知道：这是一本操作系统的书；以及每部分内容对应的页码。打开某一页（节选）：我们发现，在具体页中也写着页码，同时存在层级结构：...
2019-10-21 11:37:47
7166
3
转载 时间复杂度
详情请看转载的原文链接。总结：计算时间复杂度时，实际是计算代码执行次数，从里到外，可以按照语句类型进行计算。（1）循环语句：重点在于循环的次数；（2）条件语句：选择时间复杂度最大的路径计算；（3）顺序语句：选择时间复杂度最大的语句块作为标准。...
2019-10-18 16:42:01
125
转载 TCP/UDP-基础知识
声明：文章由原文链接作者所创。转载链接中，包含了TCP和UDP的区别，也有TCP可靠传输相关知识，以此作为TCP/UDP基础。问：为什么TCP连接是三次握手，而不是两次？答：从TCP的三次握手可以看出，为了保证可靠传输，TCP包中还包含序号，保证有序传输。在第一次握手时，客户端除了表达请求建立连接的意愿，还带上了序号seq=x。这表示第一次握手的包序号为x。当服务端接收到该包后，...
2019-10-18 11:33:07
149
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人