原创 關於Mat
//定義一個mXn大小的Mat矩陣 Mat MM(m,n,CV_64FC1); //訪問Mat中的元素 MM.at<double>(0,0)=0; //給Mat矩陣賦值 Mat K = ( Mat_<double> ( 3,3 ) <
2020-02-20 13:34:42
原创 深度學習中momentum的作用
轉載自：http://blog.csdn.net/u013989576/article/details/70241121 訓練網絡時，通常先對網絡的初始權值按照某種分佈進行初始化，如：高斯分佈。初始化權值操作對最終網絡的性能影響比較 大，
2020-02-20 13:34:42
原创 VGGNet模型解讀
轉載自：http://m.blog.csdn.net/Teeyohuang/article/details/75214758 1、 導引 VGGNet是2014年ILSVRC競賽的第二名，沒錯你沒聽錯它是第二名，第一名是GoogLeNe
2020-02-20 13:34:42
原创 京東金融數據挖掘比賽
第一步 數據清洗，我們首先針對那些三個月內沒有發生點擊，沒有發生購買，沒有發生貸款同時沒有白條貸款的用戶，有529個用戶，認爲在未來一個月不帶款，因此數據清洗掉。 第二步 數學建模 採用滑窗法採樣擴充訓練樣本。 第三步 特徵選擇與篩選。在
2018-09-04 15:15:06
3
原创 消費金融場景下的用戶購買預測
數據形式 （1）個人屬性與信用卡消費數據：包含80000名信用卡客戶的個人屬性與信用卡消費數據，其中包含枚舉型特徵和數值型特徵，均已轉爲數值並進行了脫敏和標準化處理。數據樣例如下： USRID V1 V2 v3 … V30
2018-09-04 15:15:06
原创 只輸入圖片在Deformable-ConvNets工程上得出檢測結果
我是將數據轉化爲VOC格式，所以修改Deformable-ConvNets\lib\dataset\pascal_voc.py文件： 註釋掉load_pascal_annotation函數中 filename = os.path.join
2018-08-22 23:01:38
原创 OHEM論文解讀
參考：http://blog.csdn.net/yaoqi_isee/article/details/63796423Training Region-based Object Detectors with Online Hard Exam
2018-08-22 23:01:22
原创 Numpy高維數據的理解
轉載自http://blog.csdn.net/nianzu_ethan_zheng/article/details/79038212
2018-08-22 23:01:21
原创 wider face數據集轉化爲VOC數據集（matlab實現）
head.xml <annotation> <folder>widerface</folder> <filename>%06d.jpg</filename> <source> <database>
2018-08-22 23:01:21
原创 在wider face驗證集上驗證自己檢測器的性能
1、首先訓練時用wider face的訓練集進行訓練（不要用驗證集）2、在http://mmlab.ie.cuhk.edu.hk/projects/WIDERFace/WiderFace_Results.html下載Evaluation
2018-08-22 23:01:21
原创 mxnet使用記錄
1、在服務器上跑時，在要運行的py文件上，在import os和import mxnet前加上os.environ['MXNET_GPU_MEM_POOL_RESERVE'] = '95'能使模型所佔內存更穩定，加上os.environ[
2018-08-22 23:01:21
原创 將UCCS數據集轉化爲VOC數據集
UCCS數據集官網：http://vast.uccs.edu/Opensetface/ head.xml <annotation> <folder>widerface</folder> <filename>%06d.jpg
2018-08-22 23:01:21
原创 在windows平臺上測試自己的人臉檢測算法在FDDB數據集
弄了好幾天終於能在FDDB數據集上測試自己用wider face數據集訓練的的faster rcnn的檢測器的性能了。 1、首先在官網http://vis-www.cs.umass.edu/fddb/index.html下載圖片和標註文
2018-08-22 23:01:21
原创 看論文和代碼時知識總結
1、features in deeper convolution layer output have wider reception fields2、迭代次數=（圖片數目/batch_size）*epoch3、Here is the di
2018-08-22 23:01:21