一.原理讲解 1. 卷积神经网络的应用 分类(分类预测) 检索(检索出该物体的类别) 检测(检测出图像中的物体,并标注) 分割(将图像分割出来) 人脸识别 图像生成(生成不同状态的图像) 自动驾驶 等等... 2. 传统神经网络与卷积神经网络比较 传统神经网络采用的是全连接神经网络,权重矩阵的参数太多,导致速度减慢,也会产生过拟合. 卷积神经网络通过卷积核,大大降低了参数个数.实现局部关联,参数共享的效果. 3. 卷积神经网络基本结构 卷积层 激活层(ReLu) 池化层 全连接层 3.1 卷积层

前言: 文章:CNN的结构分析-------:  文章:历年ImageNet冠军模型网络结构解析-------: 文章:GoogleLeNet系列解读-------: 文章:DNN结构演进History-CNN-GoogLeNet :Going Deeper with Convolutions :文章:Google最新开源Inception-ResNet-v2,借助残差网络进一步提升图像分类水准-----附有代码解析: 文章:深入浅出--网络模型中Inception的作用与结构全解析  科普一下

导言:    自2012年AlexNet在ImageNet比赛上获得冠军,卷积神经网络逐渐取代传统算法成为了处理计算机视觉任务的核心.    在这几年,研究人员从提升特征提取能力,改进回传梯度更新效果,缩短训练时间,可视化内部结构,减少网络参数量,模型轻量化, 自动设计网络结构等这些方面,对卷积神经网络的结构有了较大的改进,逐渐研究出了AlexNet.ZFNet.VGG.NIN.GoogLeNet和Inception系列.ResNet.WRN和DenseNet等一系列经典模型,MobileNet

CNN结构演变总结(一)经典模型 导言: 上一篇介绍了经典模型中的结构演变,介绍了设计原理,作用,效果等.在本文,将对轻量化模型进行总结分析. 轻量化模型主要围绕减少计算量,减少参数,降低实际运行时间,简化底层实现方式等这几个方面,提出了深度可分离卷积,分组卷积,可调超参数降低空间分辨率和减少通道数,新的激活函数等方法,并针对一些现有的结构的实际运行时间作了分析,提出了一些结构设计原则,并根据这些原则来设计重新设计原结构. 注:除了以上这种直接设计轻量的.小型的网络结构的方式外,还包括使用知识蒸

CNN结构:图片风格分类效果已成.可以在色彩空间对图片风格进行分类,并进行目标分类. StyleAI构架:FasterRCnn + RandomTrees 为何不使用MaskRCNN? MaskRCNN-Windows-C++版本未翻译完成 结果分析: 一个检测框架+一个分类框架,主要作用在于特征提取.

前言: 原文链接:基于CNN的目标检测发展过程       文章有大量修改,如有不适,请移步原文. 参考文章:图像的全局特征--用于目标检测 目标的检测和定位中一个很困难的问题是,如何从数以万计的候选窗口中挑选包含目标物的物体.只有候选窗口足够多,才能保证模型的 Recall.传统机器学习方法应用,使用全局特征+级联分类器的思路仍然被持续使用.常用的级联方法有haar/LBP特征+Adaboost决策树分类器级联检测 和HOG特征 + SVM分类器级联检测. DPM方法为08年提出的一种可进行级

CNN结构演变总结(一)经典模型 CNN结构演变总结(二)轻量化模型 前言: 前两篇对一些经典模型和轻量化模型关于结构设计方面的一些创新进行了总结,在本文将对前面的一些结构设计的原则,作用进行总结. 本文将介绍两种提升模型的表示能力的结构或方式,模型的五条设计原则,轻量化模型的四个设计方式. 提升模型的表示能力的结构或方式 1."split-transform-merge"结构 这个概念来源于ResNeXt(2017年),在文中作了如下解释. 1) Split:将向量x分成低维嵌入表示

神经网络 卷积神经网络依旧是层级网络,只是层的功能和形式做了变化,可以说是传统神经网络的一个改进.多了许多传统神经网络没有的层次. 卷积神经网络的层级结构 数据输入层/Input Layer 卷积计算层/Conv Layer 激励层/ReLU Layer 池化层/Pooling Layer 全连接层/FC Layer 1.数据输入层 该层要做的处理主要是对原始图像数据进行预处理,其中包括: 去均值:把输入数据各个维度都中心化为0 归一化:幅度归一化到同样的范围 PCA/白化:用PCA降维:白化是

前几个CNN检测的框架要求网络的图像输入为固定长宽,而SPP-Net在CNN结构中添加了一个实现图像金字塔功能的卷积层SPP层,用于在网络中实现多尺度卷积,由此对应多尺度输入,以此应对图像的缩放变换和仿射变换. 原文链接:Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 原文链接: http://zhangliliang.com/2014/09/13/paper-note-sppnet/ 作

参考第一个回答:如何评价DeepMind最新提出的RelationNetWork 参考链接:Relation Network笔记  ,暂时还没有应用到场景中 LiFeifei阿姨的课程:CV与ML课程在线 论文:A simple neural network module for relational reasoning github代码: https://github.com/siddk/relation-network 摘抄一段: Visual reasoning是个非常重要的问题,由于Re

前言:CNN迎接多类的挑战 特定类型的传统PR方法特征提取的方法是固定的,模式函数的形式是固定的,在理论上产生了特定的"局限性" 的,分类准确度可以使用PAC学习理论的方法计算出来.特定函数形式的模式识别准确度.泛化误差都受到模型本身VC维的限制. 使用不受限制的多层网络取代可以有明确语法形式的传统网络,可以突破特征提取和模式函数的固有限制,也导致了模式识别的黑盒方法--不停的实验,使用更多的数据直至接近遍历,提高训练测试技巧,直到评测结果达到最优.随着类别的增加,和更高准确率的要求,

参考文章:Windows下VS2013 C++编译测试faster-rcnn. 本文与作者的所写方法有些许不同,欲速则不达,没有按照作者的推荐方法,绕了个弯弯. Windows版本纯C++版本的FasterRCNN比较难找,且懒得翻译Matlab版本代码,暂时可用的是这个项目:Windows下VS2013 C++编译测试faster-rcnn. 作者上传的faster-rcnn c++代码,链接https://github.com/zhanglaplace/Faster_rcnn_Cpluspl

原文链接:何恺明团队提出 Focal Loss,目标检测精度高达39.1AP,打破现有记录     呀 加入Facebook的何凯明继续优化检测CNN网络,arXiv 上发现了何恺明所在 FAIR 团队的最新力作:"Focal Loss for Dense Object Detection(用于密集对象检测的 Focal Loss 函数)". 孔涛博士在知乎上这么写道: 目标的检测和定位中一个很困难的问题是,如何从数以万计的候选窗口中挑选包含目标物的物体.只有候选窗口足够多,才能保证模

有兴趣查看原文:YOLO详解 人眼能够快速的检测和识别视野内的物体,基于Maar的视觉理论,视觉先识别出局部显著性的区块比如边缘和角点,然后综合这些信息完成整体描述,人眼逆向工程最相像的是DPM模型. 目标的检测和定位中一个很困难的问题是,如何从数以万计的候选窗口中挑选包含目标物的物体.只有候选窗口足够多,才能保证模型的 Recall.传统机器学习方法应用,使用全局特征+级联分类器的思路仍然被持续使用.常用的级联方法有haar/LBP特征+Adaboost决策树分类器级联检测 和HOG特征 +

前言:模式识别问题 模式函数是一个从问题定义域到模式值域的一个单射. 从简单的贝叶斯方法,到只能支持二分类的原始支持向量机,到十几个类的分类上最好用的随机森林方法,到可以支持ImageNet上海量1860个类且分类精度极高的InceptionV4(参考:CNNhttp://blog.csdn.net/wishchin/article/details/45286805),其模式函数为 f( x ) = { X-->Y }|{  X = ImageNet的图片,Y={ 1860个类的标记 }  }

参考:颜色的前世今生-饱和度 详解,划重点- 关键这个"纯"是指什么? 是指颜色明亮么?明度高的颜色看起来也明亮啊,不一定纯度高啊- 是说颜色鲜艳么?颜色 "不鲜艳",不一定饱和度低,也有可能只是明度低啊! 沿用明度一文的例子,①和④.⑥相比,更鲜艳明亮.而④和⑥又是不同的,④的绿色特征更加明显,而⑥更接近灰色.实际上,④和①相比,饱和度是完全一样的,仅仅是明度变低而已.只有⑥才是明度和饱和度都下降了. 所以,用鲜艳啊,明亮啊,这样的主观形容词来描述饱和度,实在是太

  转自知乎和百度百科:从零开始学后期             文章: 冷暖色区分?冷暖肤色适用于那些色系的彩妆?    文章:干货 |如何判断人体色冷暖?如何判断色彩冷暖?(值得收藏研读!) -蒜苗的回答     太强大了,又非常地接地气,赞一个              单独链接:干货|如何判断人体色冷暖?如何判断色彩冷暖?(值得收藏研读!) 冷暖色对比 由于色彩的冷暖差别而形成的色彩对比,称为冷暖对比.红.橙.黄使人感觉温暖;蓝.蓝绿.蓝紫使人感觉寒冷;绿与紫介于期间,另外,色彩的冷暖对比

转自知乎和百度百科:从零开始学后期  (色温的奥秘) 文章: 冷暖色区分?冷暖肤色适用于那些色系的彩妆? 文章:干货 |如何判断人体色冷暖?如何判断色彩冷暖?(值得收藏研读!) -蒜苗的回答             百科定义: 色温是表示光线中包含颜色成分的一个计量单位.从理论上讲,色温是指绝对黑体从绝对零度(一273℃)开始加温后所呈现的颜色.黑体在受热后．逐渐由黑变红,转黄,发白,最后发出蓝色光.当加热到一定的温度．黑体发出的光所含的光谱成分．就称为这一温度下的色温,计量单位为"K"

原文: 色彩空间基础 好一个NB的知乎专栏:色彩空间基础 第一章:色彩空间基础 关于色彩分析,引出了专门的数学基础.整个过程给出了完备的数学阐述,虽然没有试验数据,论述的相当精彩. 摘抄出一段:  上述色品图摘抄于原文 自然界本身是没有「颜色」这个属性的,只有对不同波长光线的反射率/透过率,到达人眼中的,显然是一个连续的光谱分布函数.数学上,这是一个无穷维的函数空间(巴拿赫空间).而人眼内的三种视锥细胞,它们的感光特性曲线相当于是在这个无穷维的函数空间中建立了三个基底.任何一个光谱分布进来,三种

对原文有大量修改,如有疑惑,请移步原文. 参考链接:MXNet设计和实现简介 文章翻译于:https://mxnet.incubator.apache.org/architecture/index.html 一.MXNet System Architecture系统概览 This figure shows the major modules and components of the MXNet system and their interaction. The modules are: Run

前言 本文主要介绍2012-2015年的一些经典CNN结构,从AlexNet,ZFNet,OverFeat到VGG,GoogleNetv1-v4,ResNetv1-v2. 在论文笔记:CNN经典结构2中我介绍了2016-2017年的几个经典CNN结构,WideResNet,FractalNet,DenseNet,ResNeXt,DPN,SENet.另外,在ImageNet历年冠军和相关CNN模型中,我简单介绍了ImageNet和历年冠军. AlexNet 贡献:ILSVRC2012冠军,展现出了