转载R-CNN --＞ FAST-RCNN --＞ FASTER-RCNN
R-CNN:(1)输入测试图像(2)利用selective search算法在图像中从上到下提取2000个左右的Region Proposal(3)将每个Region Proposal缩放(warp)成227x227的大小并输入到CNN,将CNN的fc７层的输出作为特征(4)将每个Region Proposal提取的CNN特征输入到SVM进行分类(5)对于SVM分好类的Region Proposal做边界回归，用bounding box回归值矫正原来的建议窗口，生成预测窗口坐标缺陷：
SPPNet(空间金字塔池化)与RoI Pooling
转载自：https://www.bilibili.com/video/BV1st411P7DW比例池化特征共享 第一个池化层，将feature map分成４x4份然后池化，第二个池化层将feature map 分２x２份，第三个池化层为１x 1。总共输出16+4+1个数就是要输出的21个特征。 对输入图像提取特征，然后在特征层进行区域划分。由于输入大小可变，spp训练的时候就可以把训练图片按比例缩放。(相同的图片缩放至不同的尺度，相当于扩充了数据集) ...
Focal loss解决one-stage目标检测中正负样本比例严重失衡的问题
转载自：https://www.cnblogs.com/king-lps/p/9497836.htmlFocal Loss理解 1. 总述Focal loss主要是为了解决one-stage目标检测中正负样本比例严重失衡的问题。该损失函数降低了大量简单负样本在训练中所占的权重，也可理解为一种困难样本挖掘。2. 损失函数形式Focal loss是在交叉熵损失函数基础上进行的修改，首先回顾二分类交叉上损失： 是经过激活函数的输出，所以在0-1之间。可见普通的交叉熵对于正样本而.
目标检测之非极大值抑制
基本思路：从待检测目标中先按照分类置信度，找一个最可信的框。然后判断其他框和它的交并比(IoU),如果大于阈值TH，说明相似，抑制掉就好了。１．局部最大搜索目标检测问题的老大难问题之一就是如何提高召回率（所有标注的真实边界框有多少被预测出来了）。 即recall=正检／（正检＋未检）这就导致最后输出的边界框数量往往远大于实际数量，而这些模型的输出边界框往往是堆叠在一起的。因此，我们需要NMS从堆叠的边框中挑出最好的那个。 ２．何时使用NMS？ When NMS?
Linux常见命令汇总（累积中。。。）
转载自：https://blog.csdn.net/shanglianlm/article/details/848491931 Linux下统计当前文件夹下的文件个数、目录个数统计当前文件夹下文件的个数，包括子文件夹里的ls -lR|grep "^-"|wc -l1统计文件夹下目录的个数，包括子文件夹里的ls -lR | grep "^d" | wc -l1统计当前文件夹下文件的个数ls -l | grep "^-" | wc -l1统计当前文件夹下目录的个
faster rcnn全过程
转载自：https://www.cnblogs.com/king-lps/p/8995412.html总结自论文：Faster_RCNN：https://arxiv.org/pdf/1506.01497.pdf，与Pytorch代码：https://github.com/chenyuntc/simple-faster-rcnn-pytorch本文主要介绍代码最后部分：trainer.py 、train.py ， 首先分析一些主要理论操作，然后在代码分析里详细介绍其具体实现。首先是训练与测试的过程图.
ModuleNotFoundError: No module named ‘zmq‘
启动visdom.server时报错：ModuleNotFoundError: No module named 'zmq' pip install zmq ，安装报同样的错误 pip list显示已安装，所以只能是版本不对或者不是python 版的pip uninstall zmq (卸载)pip install pyzmq（安装python 版本即可)...
正则化为什么可以防止过拟合
正则化方法：防止过拟合，提高泛化能力转载文章：https://www.cnblogs.com/alexanderkun/p/6922428.html在训练数据不够多时，或者overtraining时，常常会导致overfitting（过拟合）。其直观的表现如下图所示，随着训练过程的进行，模型复杂度增加，在training data上的error渐渐减小，但是在验证集上的error却反而渐渐增大——因为训练出来的网络过拟合了训练集，对训练集外的数据却不work。为了防止overfitting，
cs231_n3.2优化
首先搞清楚三个概念及其相互关系（计算机视觉的基本任务）： 分类器：线性函数/神经网络/卷积神经网络---实际学习的是参数集W（也可以理解为学习每个类别的模板） 损失函数：评估得到的W的好坏 如Li=f(xi,W)-yi f为预测标签，yi是真实标签 f=Wx (最)优化：寻找能使得损失函数值最小化的参数W的过程（寻找最优的W）最优化 Optimization策略#1：一个差劲的初始方案：随机搜索策略#2：随机本地搜索策略#3：跟随梯度：1 利用有限差值计算...
cs231_n3.1_Loss_Function
线性分类器可以解释为每个种类的学习模板，对图里的每个像素，以及10个分类里的每一项，矩阵W都有一些对应项,告诉我们那个像素对那个分类有多少影响。也就是说矩阵w里的每一行，都对应一个分类模板，如果我们揭开这些行的值(成图片的大小)，那么每一行又分别对应一些权重，每个图像像素值和对应那个类别的一些权重，将这行分解回图像的大小，我们就可以可视化学到的每个类的模板。还有一种对线性分类器的解释是，学习像素在高维空间的一个线性决策边界，其中高维空间就对应了图片能取到的像素密度值。 ...
cs231_n4.1_反向传播
1. 反向传播是利用链式法则递归计算表达式梯度的方法。2. 反向传播的直观理解：反向传播是一个优美的局部过程。在整个计算线路图中，每个门单元都会得到一些输入并立即计算两个东西：这个门的输出值，和其输出值关于输入值的局部梯度。链式法则指出，门单元应该将回传的梯度乘以它对其的输入的局部梯度，从而得到整个网络的输出对该门单元的每个输入值的梯度。3. 模块化：Sigmoid例子 任何可微分的函数(加/减/乘方等)都可以看做门,可以将多个门组合成一个门，也可以根据需要将一个函数分拆成...
cs231_n4.2神经网络
反向传播回顾背景模型 SVM损失/softmax损失 整体损失函数 目标 找到使得L最小的W。为了找到W，需要求L在W方向上的梯度。 反向传播反向传播是指在神经网络中，将上层节点的梯度值进行反向地传播，进而求解整个网络节点上的梯度，可以递归地调用链式法则，来计算图中每个变量的梯度。 整个网络的输出节点的梯度值为1。对于中间节点来说，它的输出部分会接收来自上层节点的梯度值。该节点中所有的输入都有对应的局...
cs231_n5.2卷积神经网络
CNN通常由卷积层，池化层和全连接层堆叠而成，卷积层之后常使用激活函数(例如Relu)对其输出进行处理。CNN能够保留输入的空间结构。注意：如果没有激活函数的话，多层网络叠加在一起，相当于一个等价的线性方程，无法解决线性不可分的问题（非线性激活增加了网络的表达能力）。卷积操作：将filter在x上进行滑动，计算出每一个空间定位时的点积结果。也就是将filter的每个位置元素和与之对应图像区域region的像素值相乘，即，b为偏置。(W是和x同样大小的图像块，滑动filter可以获得整个feature
谈谈激活函数以零为中心的问题
今天在讨论神经网络中的激活函数时，陆同学提出 Sigmoid 函数的输出不是以零为中心的（non-zero-centered），这会导致神经网络收敛较慢。关于这一点，过去我只是将其记下，却并未理解背后的原因。此篇谈谈背后的原因。神经元 图片来自：https://zhuanlan.zhihu.com/p/25110450如图是神经网络中一个典型的神经元设计，它完全仿照人类大脑中神经元之间传递数据的模式设计。大脑中，神经元通过若干树突（dendrite）的突触（synapse），接受其他神经元.
stay_foolish_stay_hungry(没事多看看)
http://noahsnail.com/2018/05/24/2018-05-24-Unbroken/https://www.jianshu.com/u/7731e83f3a4e
为什么有的人讨人喜欢？本质上是亲和力吧，或者说不以自我为中心
从小就觉得，自己资质一般，所以没想过要非常富有，优秀。但是，总觉得自己不管多少岁，多要活得像个少年，有冲劲，要眼里有光。有的人说话幽默，并且能理解别人，说出来的话如沫春风，他的情绪，对生活的态度往往能感染到我们。有的人说话刻薄冷漠，无时无刻不在秀优越感。如果我们想交到真心的朋友，有良好的朋友圈，那一定注意自己的言行，真心为别人考虑。在大事上精明，小事糊涂。性格决定命运，也决定人际关系。活得真实，不去伪装，接受自己的不完美，不代表不去改变。跟着希望跟着光，让宽容，豁达，善良，果敢，善于倾听，会
今日推荐
周排行