原创 CPU, GPU, FPGA計算能力
背景現在AI火熱，帶動了異構計算的發展，讓GPU, FPGA這類加速芯片從輔助設備逐步進入了主流計算設備的行列，開始挑戰傳統CPU的絕對統治地位，那麼我們爲什麼經常聽說GPU, FPGA相對於CPU計算能力要強的多，原因是爲什麼呢？芯片設
2020-06-16 07:01:39
6
原创 目標檢測--RCNN算法架構及關鍵技術解析
將RCNN專題報告分享一下，並留作筆記。PPT介紹了整體結構及其中四個關鍵技術：參考資料：1.論文筆記：Rich feature hierarchies for accurate object detection and semantic
2020-06-16 07:01:39
原创 卷積操作的幾種類型
卷積操作其實可以分成三種操作：（1）valid 操作，滑動步長爲S，圖片大小爲N1xN1，卷積核大小爲N2xN2，卷積後圖像大小：(N1-N2)/S+1 x (N1-N2)/S+1如下圖： （2）full 操作，滑動步長爲1，圖片大小爲N
2020-06-16 07:01:39
原创 CNN中的多通道卷積（RGB等）
卷積過程是對一個通道的圖像進行卷積，比如10個卷積核，得到10個feature map， 那麼輸入圖像爲RGB三個通道呢，輸出就爲 30個feature map嗎， 答案肯定不是的， 輸出的個數依然是卷積核的個數10，只是輸出時對RGB三
2020-06-16 07:01:39
74
原创 目標檢測--Fast RCNN詳解-多細節
Girshick, Ross. “Fast r-cnn.” Proceedings of the IEEE International Conference on Computer Vision. 2015. 繼2014年的RCNN之後，
2020-06-16 07:01:39
1
原创 Caffe中如何計算卷積
1.caffe中通過構造兩個矩陣實現：Caffe中的卷積計算是將卷積核矩陣和輸入圖像矩陣變換爲兩個大的矩陣A與B，然後A與B進行矩陣相乘得到結果C（利用GPU進行矩陣相乘的高效性），三個矩陣的說明如下：（1）在矩陣A中 M爲
2020-06-16 07:01:39
原创 實例分割--Mask RCNN詳解（ROI Align / Loss Fun）
目標檢測、語義分割與實例分割：實例分割是一種在像素層面識別目標輪廓的任務，相比其他相關任務，實例分割是較難解決的計算機視覺任務之一：分類：這張圖像中有一個氣球。語義分割：這些全是氣球像素。目標檢測：這張圖像中的這些位置上有 7 個氣球。實
2020-06-16 07:01:39
原创 GPU的性能
GPU的性能與指標體現GPU計算能力的兩個重要特徵： 1)CUDA核的個數； 2)存儲器大小。 描述GPU性能的兩個重要指標： 1)計算性能峯值； 2)存儲器帶寬。另參見：Nvidia GPU的浮點計算能力(FP64/FP32/FP16)
2020-06-16 07:01:39
原创 CNN中的卷積、反捲積與反池化
圖示理解卷積、反捲積(Deconvolution)、上採樣(UNSampling)與上池化(UnPooling)使用三張圖進行說明： 圖（a）表示UnPooling的過程，特點是在Maxpooling的時候保留最大值的位置信息，之後在un
2020-02-23 22:07:20
50
原创 CSDN博客轉載方法
小結：右擊檢查——選中article_content； article_content代碼處右鍵，點擊【Copy】,再點擊【Copy outerHTML】在markdown編輯器中粘貼以上html代碼 轉載CSDN博客
2020-02-23 22:07:10
原创 保存和恢復Tensorflow模型--簡明全面教程
轉自：一個快速完整的教程，以保存和恢復Tensorflow模型。在本教程中，我將會解釋：TensorFlow模型是什麼樣的？如何保存TensorFlow模型？如何恢復預測/轉移學習的TensorFlow模型？如何使用導入的預先訓練的模型進
2020-02-23 22:07:10
原创 語義分割--全卷積網絡FCN詳解
1.FCN概述CNN做圖像分類甚至做目標檢測的效果已經被證明並廣泛應用，圖像語義分割本質上也可以認爲是稠密的目標識別（需要預測每個像素點的類別）。傳統的基於CNN的語義分割方法是：將像素周圍一個小區域（如25*25）作爲CNN輸入，做訓練
2020-02-23 22:07:10
原创 目標檢測--Faster RCNN算法架構及關鍵點解析
Fast-RCNN基本實現端對端（除了proposal階段外），下一步自然就是要把proposal階段也用CNN實現（放到GPU上）。這就出現了Faster-RCNN，一個完全end-to-end的CNN對象檢測模型。本文是繼RCNN，f
2020-02-23 22:07:10
48
原创 圖像上採樣--雙線性插值
圖像上採樣upsampling的主要目的是放大圖像，主要包括：（1）幾乎都是採用內插值法，即在原有圖像像素的基礎上，在像素點值之間採用合適的插值算法插入新的元素；（2）反捲積方法（Deconvolution），又稱轉置卷積法(Transp
2020-02-23 22:07:10
原创 FCN實現細節與幾個問題
1 幾個問題內容參考這篇文章 1）第一個卷積層爲什麼需要添加 pad=100 作者提供的網絡模型裏收個卷積層對輸入圖像添加了100個像素的邊界（圖７） 圖７.
2020-02-23 22:07:10