大青上-CSDN博客

转载 sparse_softmax_cross_entropy_with_logits与softmax_cross_entropy_with_logits区别

sparse_softmax_cross_entropy_with_logits与softmax_cross_entropy_with_logits区别原函数：tf.nn.sparse_softmax_cross_entropy_with_logits(logits=net, labels=y) tf.nn.softmax_cross_entropy_with_logits(logits=n...

2018-10-12 22:45:42 716

原创 LeetCode链表篇C++ [逆序、回文、逆序II]

1. 关键点结点定义//Definition for singly-linked list. struct ListNode { int val; ListNode *next; ListNode(int x) : val(x), next(NULL) {}};核心：逆序思想参考：https://blog.csdn.net/lycnjupt/ar...

2018-04-19 14:48:19 682

原创 LeetCode-Python [Longest Substring Without Repeating Characters]

题目： Given a string, find the length of the longest substring without repeating characters. Examples:Given “abcabcbb”, the answer is “abc”, which the length is 3.Given “bbbbb”, the answer is “b”...

2018-04-10 21:09:20 318

原创 LeetCode- python [Add Two Numbers]

Add two numbersYou are given two non-empty linked lists representing two non-negative integers. The digits are stored in reverse order and each of their nodes contain a single digit. Add the two num...

2018-04-10 11:33:07 466

转载 caffe的python接口学习（8）：caffemodel中的参数及特征的抽取

如果用公式 y=f(wx+b)来表示整个运算过程的话，那么w和b就是我们需要训练的东西，w称为权值，在cnn中也可以叫做卷积核（filter），b是偏置项。f是激活函数，有sigmoid、relu等。x就是输入的数据。数据训练完成后，保存的caffemodel里面，实际上就是各层的w和b值。我们运行代码：deploy=root + 'mnist/deploy.prototxt' #de

2016-12-27 19:28:19 565

原创 pycaffe学习之（四）：pyloss.py

目的：单独写一层用python实现的layer，功能和cpp的是一样的，但是侧面验证了可以用python自己定义一个loss函数。import caffeimport numpy as npclass EuclideanLossLayer(caffe.Layer): """ Compute the Euclidean Loss in the same manner as t

2016-12-21 10:34:42 1165

原创 pycaffe学习之（三）：caffenet.py

在caffe/examples/pycaffe/目录下主要包括：caffenet 即每一层的定义和网络的搭建from __future__ import print_functionfrom caffe import layers as L, params as P, to_protofrom caffe.proto import caffe_pb2# helper function for

2016-12-21 10:32:58 919

原创 pycaffe学习之（二）tools.py

在examples/pycaffe/目录下：主要包括transformer.caffesolver等。import numpy as np #定义一个简单的caffe和python图片之间的转换类class SimpleTransformer: """ SimpleTransformer is a simple class for preprocessing and depr

2016-12-21 10:31:34 643

原创 pycaffe学习之（一）：io.py源码解读

主要是定义了一个transformer，preprocess和deprocess操作，完成caffe和python之间数据的格式转换等，注意caffe： BGR,0-255，C*H*W而python是RGB, H*W*C,0-1的数据格式。import numpy as npimport skimage.io #导入scikit-image 图像处理库from scipy.ndimage i

2016-12-21 09:18:54 4086

转载 Caffe学习系列(2)：数据层及参数

[原博客地址：http://www.cnblogs.com/denny402/p/5070928.html] 要运行caffe，需要先创建一个模型（model)，如比较常用的Lenet,Alex等，而一个模型由多个屋（layer）构成，每一屋又由许多参数组成。所有的参数都定义在caffe.proto这个文件中。要熟练使用caffe，最重要

2016-12-19 13:34:40 382

转载 caffe源码解析by薛云峰

作者：薛云峰(https://github.com/HolidayXue)，主要从事视频图像算法的研究，就职于浙江捷尚视觉科技股份有限公司担任深度学习算法研究员。本文来源微信公众号：深度学习大讲堂。原文：深度学习框架Caffe源码解析相信社区中很多小伙伴和我一样使用了很长时间的Caffe深度学习框架，也非常希望从代码层次理解Caffe的实现从而实现新功能的定制。本文将从整体架构和底层实现的视角，

2016-12-18 22:30:55 1008

原创立体匹配之（三）： A Deep Visual Correspondence Embedding Model for Stereo Matching Costs

摘要也是基于patches的匹配加入亮度信息最后基于全局优化可惜没有公开代码，也没在排行榜上显示。1 IntroductionThis deep embedding model leverages appearance data to learn visual dissimilarity between image patches, by explicitly mapping raw i

2016-12-17 21:13:48 2922 1

原创立体匹配之（二）：[MC-CNN] 2015CVPR: Stereo Matching by Training a Convolutional Neural Netw

1 摘要project主页：https://github.com/jzbontar/mc-cnn基于patch的提取与比较，学习其相似性得到一个matching cost，并将正确匹配的patch定义为正样本，其他为负样本。后处理包括：cross-based cost aggregation, semiglobal matching, a left-right consistency chec

2016-12-16 23:17:14 17980 9

原创深度学习之PSPnet用于语义分割

工程主页：https://github.com/hszhao/PSPNet1 摘要rank 1 on PASCAL VOC 2012 等多个benchmark（信息截止2016.12.16） http://host.robots.ox.ac.uk:8080/leaderboard/displaylb.php?cls=mean&challengeid=11&compid=6&submid=8822

2016-12-16 17:28:26 26990 2

原创深度学习之DeepLab用于语义分割

摘要研究点：CNN做语义分割工程主页：http://liangchiehchen.com/projects/DeepLab.html主要贡献： atrous conv: 可以控制参与卷积的feature的分辨率 Subsample -> Conv(kernel) 和 AtrousConv(kernel) -> Subsample 等价，且 AtrousConv(kernel) 平移不变

2016-12-16 15:29:52 20287 2

转载深度学习入门之（一）卷积神经网络

卷积神经网络转载请注明：http://blog.csdn.net/stdcoutzyx/article/details/41596663自今年七月份以来，一直在实验室负责卷积神经网络（Convolutional Neural Network，CNN），期间配置和使用过theano和cuda-convnet、cuda-convnet2。为了增进CNN的理解和使用，特写此博文，以其与人交流，互有增益

2016-12-16 10:12:16 1123

原创深度学习论文笔记之（一）HED边缘检测

Abstract创新点：用cnn做edge detection (HED)，端到端解决两个问题： 1）holistic（整体的） image training and prediction; 2）multi-scale and multi-level feature learning;特点：端到端：image-to-image基于FCN和VGG 改进通过多个side outpu

2016-12-15 22:25:24 23954 3

转载深度学习之SPP

基于空间金字塔池化的卷积神经网络物体检测原文地址：http://blog.csdn.net/hjimce/article/details/50187655作者：hjimce一、相关理论本篇博文主要讲解大神何凯明2014年的paper：《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition

2016-12-15 11:01:57 4203 1

原创立体匹配CNN篇（一）：[LW-CNN] look wider to match image patches by cnn

AbstractIntroductionrelated workmethodA Per-pixel Pyramid Pooling 4PB proposed model实验未解决参考文献Abstract**2016 IEEE SPL 目前在middlebury上排名第二** 提出一种新的CNN 模式，通过一个较大尺寸窗口来学习一个matching cost 与以往的池化层不同（w

2016-12-14 23:26:42 5719 4

原创 ubuntu 1404下亲手配置caffe+cuda7.5

配置参考了博客：https://ouxinyu.github.io/Blogs/20151108001.html第一部分：安装CUDA Toolkit7.5参考官网信息：http://docs.nvidia.com/cuda/cuda-installation-guide-linux/index.html#axzz48JszBYZR1 用命令查看显卡信息，lspci | grep -i nvidia

2016-12-13 22:47:22 566

转载 [转载]宽基线与窄基线

基线的本意是指立体视觉系统中两摄像机光心之间的距离。依据拍摄两幅图像的视点位置关系可将对应点匹配问题分为宽基线(Wide Baseline)和窄基线匹配(Short Baseline)。宽基线一词用于匹配时，泛指两幅图像有明显不同的情况下的匹配。产生这种情况的原因有可能为摄像机之间的位置相差很大，也有可能由于摄像机旋转或焦距的变化等因素产生的。宽基线匹配和窄基线匹配的分界不是很严格，但是在窄基线

2016-06-16 22:17:01 471

原创 Windows下编译自己的opencv3.1库

Windows下编译自己的opencv3.1库Windows下编译自己的opencv31库安装各种软件和libraries1 CMakegui2 Python 27optionalpython-2711msi21 安装Python依赖项setuptools运行22 安装Python依赖项sphinx23 安装Python依赖项Numpy24 安装Python依赖项matplotlib方

2016-05-19 09:55:23 3035

原创 Image Watch插件学习笔记

VS插件，可以方便调试，观察图像！！！http://research.microsoft.com/en-us/um/redmond/groups/ivm/imagewatchhelp/imagewatchhelp.htm#_Toc351981445local模式和watch模式local模式：只读模式 the Image List (B) gets automatica

2016-04-08 21:51:46 565

转载 Cross-Scale Cost Aggregation for Stereo Matching 读后感

原文地址 http://blog.csdn.net/wsj998689aa/article/details/44411215 最近，在做立体匹配方向相关的研究，先去网上找最新鲜的论文，看到了这篇文献（简称CSCA），来源于CVPR2014，令我惊奇的是，作者竟然提供了详细的源代码，配置运行了一下，效果还真不错，速度也还可以，具有一定的实用价值，所以拿来和大家分享一下。

2016-04-06 21:16:19 959

原创立体匹配综述阅读心得之Classification and evaluation of cost aggregation methods for stereo correspondence

学习笔记之基于代价聚合算法的分类，主要针对cost aggregration分类，2008 CVPR1. Introduction经典的全局算法有：BP[31]DP[28]SO[20] 本文主要内容有：从精度的角度对比各个算法，主要基于文献【23】给出的评估方法，同时也在计算复杂度上进行了比较，最后综合这两方面提出一个trade-o

2016-04-05 19:14:25 2347

原创 Linux下Caffe初学测试笔记

感谢http://www.cnblogs.com/denny402/p/5075490.html初学caffe，陆续贴上自己的测试记录，以便查看，环境：ubuntu14.04+cuDNN2.0+caffev0.11 +Digits。1 mnist 手写体测试采用Lenet模型1 ）准备数据转换为LMDB或者leveldb数据格式，mnist_train_lmdb和mnist

2016-03-22 20:27:25 1130

大青上的博客