原创 caffe不同lr_policy參數設置方法
在caffe源碼的caffe-master/sec/caffe/proto/caffe.proto下記錄了不同的學習策略的計算方法: // The learning rate decay policy. The currently im
原创 權重衰減(weight decay)與L2正則化
1. 權重衰減(weight decay) L2正則化的目的就是爲了讓權重衰減到更小的值,在一定程度上減少模型過擬合的問題,所以權重衰減也叫L2正則化。 1.1 L2正則化與權重衰減係數 L2正則化就是在代價函數後面再加上一個正則化項:
原创 caffe常用網絡層及參數說明
通用參數設置 layer { name: "net1" type: "Data、Scale、Convolution、ReLU、Pooling、Eltwise、InnerProduct、Accuracy、Softmax、Pytho
原创 不同車牌類型尺寸
1.車牌類型 單層藍牌:牌照由前後由兩塊一樣尺寸的牌照組成,牌照尺寸爲440mmx140mm。這樣的牌照組合一般用於小型汽車、輕客M1類車型、載重小於1.0噸輕型載貨車。 前單黃後雙黃:牌照由前後兩塊不同尺寸在牌照組成,車前牌照尺寸爲4
原创 進程與線程(代碼對比)
下面是抽象類比: 單CPU:一臺單核處理器計算機 = 一個車間;多CPU:一臺多核處理器計算機 = 一座工廠; 進程:一個車間 = 一個進程; (即一個運行的程序)多進程:一座工廠可以同時運行多個車間;CPU和進程:單CPU只能同時運行單
原创 SSD系列目標檢測算法
1.原版SSD 2.tinyDSOD 結合DenseNet和深度可分離卷積,提出了Depthwise dense block (DDB) ; 結合FPN和深度可分離卷積,提出了D-FPN; 結合提出的Depthwise dense
原创 車牌字符分類任務訓練技巧
一、損失函數 1、CenterLoss TODO 二、網絡結構 1、ResNet-D結構 根據大佬的實驗結果我直接選用了提升效果最好的ResNet-D結構,在車牌字符分類任務中發現確實有提升。 2.DenseNet 3.Eff
原创 分類任務訓練技巧
1、CenterLoss TODO 2、ResNet-D結構 根據大佬的實驗結果我直接選用了提升效果最好的ResNet-D結構,在車牌字符分類任務中發現確實有提升。 參考文獻: https://mp.weixin.qq.com/s
原创 Python 將數據寫入CSV文件
參考文獻: https://blog.csdn.net/lbj1260200629/article/details/89600055
原创 python讀取並修改XML文件
在VOC格式的SSD訓練數據標籤中添加圖片寬高等信息,並進行座標越界檢查。 # coding: utf-8 import os from xml.etree.ElementTree import ElementTree,Element
原创 圖像去霧
參考文獻: https://blog.csdn.net/kuweicai/article/details/78608468?depth_1-utm_source=distribute.pc_relevant.none-task
原创 圖像加噪處理
待填。。。 參考文獻: https://www.cnblogs.com/wangguchangqing/p/6372025.html
原创 Ubuntu系統主機突然斷電或其他原因導致磁盤損壞
一、出錯原因 磁盤檢測不能通過,可能是因爲系統突然斷電或其它未正常關閉系統導致。 二、解決方式 (initramfs) fsck /dev/sda1 // 提示那塊有問題就是sda幾 然後一路y 最後切記exit 系統會恢復重啓
原创 CMakeLists和makefile文件編寫
1、CMakeLists和makefile區別: CMake是一個跨平臺的軟件,在很多平臺可以使用。一般在windows下,我們會直接使用VS生成項目,在Linux下面,我們也可以使用QT Creater生成項目,但是兩個不同平臺上面的項
原创 caffe特殊層說明
1.Normalize層 layer { name: "conv4_3_norm" type: "Normalize" bottom: "conv4_3" top: "conv4_3_norm" norm_param