- 博客(17)
- 收藏
- 关注
RSS订阅原创 Qt封装SDK生成DLL动态链接库
单个模块封装单个模块封装生成dll容易实现构建之后生成如下文件，dll和对应的lib。调用测试DLL创建控制台应用程序.将之前生成的DLL和Lib和头文件放到新的项目中供调用.添加SDK库,多个模块封装成一个DLL多个模块整合成一个DLL,可以将每个模块单独生成DLL,然后将这些DLL合并成一个DLL，具体没有尝试．这里我是通过namespace将多个模块整合到一起，最后生成一个DLL.如将模块a和模块b合并生成一个DLL创建names
2020-09-10 22:20:57
991
原创 PReLU论文要点
两个方面：1.更好的拟合，但较小的过拟合风险2.强健的初始化方法（纠正非线性）研究：激活函数、训练的复杂性初始化方法，帮助更好的收敛在不同的channels，改变非线性激活函数。额外参数的数量==channels的数量，相对于weights参数还是微不足道的。（所以造成过拟合的风险很小）每一层的所有channels共享系数。获取低级特征信息，使用少量有限...
2019-07-03 18:54:58
887
原创 RetinaNet要点
对象：loss网络：Resnet + FPN + 两个FCN子网络核心问题：前景和背景的imbalance（主要针对one-stage不能解决的问题）class imbalance降低容易区分的样本的loss，更关注于难以区分的样本。密集目标检测two-stage：稀疏的侯选框one-stage：密集的候选框前景和背景不平衡（cause）：通过改进标准的交叉商损失函...
2019-07-02 17:22:23
507
原创 模型评价指标precision、recall
首先来看一个直观的例子：在信息检索中，我们经常会关心“检索出的信息中有多少比例是用户感兴趣的”和“用户感兴趣的信息中有多少被检索出来了”对于二分类问题，可将样例根据其真实类别与学习器预测类别的组合划分为真正例（true positive）、假正例（false positive）、真反例（true negative）、假反例（false negative）四种情形。样例总数=TP+FP+TN+F...
2019-05-28 09:33:03
789
原创 insightface 人脸识别 训练自己的数据集之模型验证
github地址：https://github.com/MrWwei/insightface1、使用rename_pic.py重命名数据集名称2、使用facedate_preparation.py，生成.lst文件（包括图片的resize，112X112）3、使用face2rec2.py生成.rec文件模型验证底库图片==》模型==》特征向量测试图片==》模型==》特...
2019-05-06 09:28:11
2891
原创 RoI pooling层详解
RoI pooling层的意义：RoIs pooling是pooling层的一种，而且是针对RoIs的pooling，特点是输入特征图的尺寸不固定，但是输出特征图的尺寸固定；什么是ROI呢？ROI是Region of Interest的简写，指的是在“特征图上的框”；1）在Fast RCNN中， RoI是指Selective Search完成后得到的“候选框”在特征图上的映射，如下图...
2019-04-05 08:53:13
1967
原创 Cascade R-CNN网络学习
检测问题中的IoU阈值选取问题。越高越容易得到高质量的样本。但是阈值变高会引发两个问题：过拟合；mismatch。（proposal阈值和训练器用的阈值差值）只有proposal自身的阈值和训练器训练用的阈值接近时，detector性能表现最好。训练样本减少，过拟合问题严重。我们需要保证proposal的高质量又不减少训练样本。用一个stage的输出去训练下一个stage...
2019-04-04 21:13:14
467
原创 R-FCN网络学习
由于传统的检测网络：apply a costly per-region subnetwork hundreds of timesR-FCN:almost all computation shared on the entire image.解决问题：分类的平移不变性和检测的平移敏感性。（a dilemma between translation-invariance in image cl...
2019-04-03 08:57:23
186
翻译 faster rcnn caffe版学习并微调训练自己的数据集
这篇文章记录了我使用py-fast -rcnn的经验，包括如何从零开始设置py-fast -rcnn，如何使用py-fast -rcnn对PASCAL VOC数据集进行demo训练，如何训练自己的数据集，以及我遇到的一些错误。所有的步骤都基于Ubuntu 16.04 + CUDA 9.0。论文地址目录设置faster rcnn pascal voc数据集上的测试 训练自己的数据集 ...
2019-03-20 10:19:29
798
1
原创 ubuntu18.04安装显卡驱动和CUDA9.0
1、硬件与软件版本显卡：GeForce GTX 750系统：Ubuntu 18.04cuda：9.0版本cuDNN：cuDnn v72、英伟达显卡安装（.run方式安装容易出错，我使用的是ppa源方式安装。）2.1删除旧的驱动Linux默认安装的驱动不是英伟达的驱动，所以先把旧的驱动删除。# 删除sudo apt-get purge nvidia*2.2禁止...
2019-03-06 14:36:51
2047
原创 Ubuntu caffe cpu版安裝
首先明确：如果有anaconda，请卸载！使用python2.7，protoc版本3.0或2.6.系统：ubuntu16.041、安装依赖sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compilers...
2019-03-06 10:54:50
612
10
原创 LD -o .build_release/lib/libcaffe.so.1.0.0 /usr/bin/ld: cannot find -lhdf5_hl /usr/bin/ld: cannot fi
编译caffe过程中遇到如下错误：LD -o .build_release/lib/libcaffe.so.1.0.0/usr/bin/ld: cannot find -lhdf5_hl/usr/bin/ld: cannot find -lhdf5collect2: error: ld returned 1 exit statusMakefile:573: recipe for tar...
2019-03-05 12:58:37
1487
原创 多层网络和BP反向传播算法
神经元数学模型一个具有R个输入的基本神经元如下图所示。每个输入都用适当的w加权，加权输入和偏置形成传递函数f的输入，神经元可以使用任何可微传递函数f生成输出。多层网络通常使用log-sigmoid传递函数logsig。（还有其他激活函数，如relu函数）当神经元的输入从负无穷到正无穷时，函数logsig产生0到1之间的输出。前馈网络一个由R输入的S个logs...
2018-12-24 14:41:58
878
原创 LU矩阵分解
LU矩阵分解当给定一个矩阵A时，我们希望去找一个L（一个下三角矩阵）和U（一个上三角矩阵），如下： A必须能够被简化为行简化阶梯形U，而不需要交换任何行。L和U不是唯一的。使用行操作中使用的乘法倍数的相反数来获得U，我们可以构建L。如上图，在将A变换成上三角的过程中，将相应的倍数的相反数填入L矩阵中。...
2018-12-17 13:00:17
528
原创 机器学习之SVM详解
支持向量机简介支持向量机(SVM)是一种有监督的机器学习算法，既可以用于分类，也可以用于回归。然而，它主要用于分类问题。在这个算法中，我们将每个数据项绘制为n维空间中的一个点(其中n是您拥有的特征数)，每个特征的值是特定坐标的值。然后，我们通过找到区分这两个类的超平面来执行分类(请看下面的快照)。支持向量只是个体观察的坐标。支持向量机是分离这两个类(超平面/直线)的前沿。你可以看一下支持向量...
2018-12-12 21:42:26
451
原创 机器学习之朴素贝叶斯（附垃圾邮件分类）
朴素贝叶斯分类器介绍概述 朴素贝叶斯分类器技术基于贝叶斯定理，特别适用于输入维数较高的情况。尽管朴素贝叶斯方法简单，但它通常比更复杂的分类方法更胜一筹。 为了演示朴素贝叶斯分类的概念，请考虑上面插图中显示的示例。如前所述，这些物体可以分为绿色或红色。我...
2018-12-12 11:01:32
8615
原创 先验概率VS后验概率
先验概率P(A)先验概率，在贝叶斯统计推断中，是一个事件在收集新数据之前的概率。在进行实验之前，这是基于现有知识对结果概率进行的最佳合理评估。随着新数据或信息的出现，事件发生的先验概率将被修正，以产生对潜在结果更准确的度量。修正后的概率成为后验概率，用贝叶斯定理计算。在统计学上，后验概率是事件A在事件B发生的前提下发生的概率。例如，三英亩的土地上标有A、B和C三个标记。在英亩C上发现石...
2018-12-12 09:53:26
786
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