- 博客(5)
- 收藏
- 关注
RSS订阅原创 目标检测网络结构记录（二）
目标检测网络结构记录（二） 上一篇主要讲解了two stage的检测算法，其中以faster R-CNN最为经典，RPN网络和ROI pooling的使用，使得目标检测相较于R-CNN较为快速，并且检测准确度非常高，这也使得深度网络用于目标检测的应用和改进越来越多。 我们这次主要学习剩下的 one stage 检测算法，其中以YOLO系列和SSD为主，YOLO系列不断改进，前三代的进化又作者完成，后续的有其他大神完成，都对网络结构等做了改进，SSD算法至今还作为一些比较复杂的网络的基础结构，都非常值得我们学
2020-07-16 22:47:18
619
原创 目标检测网络机构记录（一）
图像检测网络 图像检测网络开始逐渐复杂，因为图像检测中不仅需要分类，还需要对检测物体的位置进行返回，网络的复杂性大大提高。 检测网络主要有这几种：R-CNN,SPP-Net,Fast R-CNN,Faster R-CNN,YOLO，SSD,R-FCN。后面的Faster R-CNN以及YOLO,SSD极其经典，很多东西到现在都还很有启发性。 传统的目标检测算法主要是分为三步：1、先利用不同尺寸的滑动窗口框住图中的某一部分作为候选区域；2、提取候选区域的特征（如通过SIFT、HOG、SURF等检测特征点）；3
2020-07-11 22:29:19
270
原创 图像检测前期基础知识汇总
图像检测用到的东西 主要记录下用到的一些基础知识，可能面试之类的会问到。目标检测中首先需要了解得就是bounding box–检测框，一般我们通过滑窗得的方法来得到检测框，一张图片会得到多个包含检测目标的框。围绕目标检测需要了解以下的名词：准确率 （Accuracy），混淆矩阵 （Confusion Matrix），精确率（Precision），召回率（Recall），平均正确率（AP），mean Average Precision(mAP)，交除并（IoU），ROC + AUC，非极大值抑制（NMS） 1
2020-07-06 23:08:04
1063
原创 图像分类网络结构记录
分类网络 分类网络简单说来就是判断图片中是否存在需要检测的物体，按照存在的物体类别进行分类。分类网络从提出发展到现在，经过了多种变化，效果越来越好，结构也越累越复杂，我学习的步骤是LeNet ,AlexNet,ZFNet,VGGNet,GoogLeNet,ResNet。 LeNet LeNet的提出非常早，也是首个将神经网络用于图像分类中。其中利用了卷积池化全连接等操作，提取图像的特征，完成了分类识别。并且实现了参数共享大大减小了计算量。LeNet5应用于手写数字识别中。 如图所示，LeNet网络总共有7
2020-07-06 12:05:17
679
原创 深度学习中激活函数和损失函数
深度学习中常用的激活函数和损失函数 对于激活函数跟损失函数做一下记录，后面再看时也方便，可能有些图片搬运的各位大佬的，还请见谅。 激活函数 激活函数有很多，主要记录常用的和比较经典的一些，例如sigmoid、tanh、RELU及其变种。 首先说一下激活函数的作用，一般激活函数作用于神经网络中卷积层的后面，用来引入非线性因素，通过激活函数这种非线性函数来加强神经网络的拟合能力（不再单纯是线性函数了）。 Sigmoid函数 sigmoid函数是早期神经网络非常常见的一种激活函数，其数学表达式如下： Gamma
2020-07-05 14:26:53
815
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人