原创 論文筆記(1)DenseBox: Unifying Landmark Localization with End to End Object Detection

本文的貢獻有一下幾點: 1,實現了end-to-end的學習,同時完成了對bounding box和物體類別的預測; 2,在多任務學習中融入定位信息,提高了檢測的準確率。 我們先來看看他和其他幾篇代表性文章之間的不同。 在O

原创 neural network and deep learing(筆記一)

第一章:運用NN識別手寫數字 人工智能已經在幾乎所有需要思考的領域超過了人類,但是在那些人類和其它動物不需要思考就能完成的事情上,還差得很遠 ——Donald

原创 paper read weekly(five)

如果我會發光,就不必害怕黑暗; 如果我自己是那麼美好,那麼一切恐懼就可以煙消雲散 當然,如果我可以做到 2017年9月10號 然而今天是9月17號了,不知道上週幹嘛去了。。。。 接着看paper了 《Cascade Residua

原创 LR(Logistic Regression)深入理解 (續)

因爲實習,耽擱了些許時間,這是上一篇的未完成部分。特此補上。 本文要解決的有兩個問題: 1. LR和ME(最大熵)的關係 2. LR的並行化 把這兩個問題分開來學習,也是因爲這裏邊的內容較多,理解起來也更費勁。好了,直奔主題。 先來看

原创 Paper read weekly(Four)

9月來了。 時光匆匆,洗去總是鉛華,越淘越閃光的那就是真心了。 前段時間關注了諸如Unet/hourglass,很重要的insight就是網絡對稱、網絡設計成塊以及塊的堆疊。但簡單的堆疊並不work。 這周讀的paper是《Stac

原创 Must known Tips/Tricks in Deep Neural Networks(譯文)

深度神經網絡(DNN),尤其是卷積神經網絡(CNN),使得由多個處理層組成的運算模型可以學習到數據的多層抽象表示。這些方法極大地提高了視覺物體識別、物體探測、文本識別以及其他諸如藥物發現和生物學等領域的最先進的水準。 除此之外,很多關於這

原创 17年 | 重開blog | 關於對稱網絡的的一點想(kun)法(huo)

距離上篇blog已經一年又近半載了。這之間,遇見科研,遇見跑步,遇見她,遇見別樣的自己。 重開blog,重拾初心,一切都是剛剛好,重頭再來也沒什麼不可以。 往期文章和地址如下,歡迎同學們拍磚:http://blog.csdn.net/d

原创 CNN的新進展(2)

本週主要學習內容包括上次blog未盡部分以及對經典文章的精讀總結和思考。 CNN中對損失函數(Loss function)的選擇因問題類型的不同而有各異的合適選擇。應用的比較多的包括S Softmax loss,Hinge loss和Co

原创 paper read weekly(two)

丫頭姐姐要生小寶寶了,願母女一切順利平安,丫頭辛苦了 公司出了新產品,老闆一激動,又給我們灌了一個多小時的雞湯。還給每個人留下了一個必須回答的哲學問題——你快樂嗎??? 去清華聽了4位參與CVPR2017同學的論文分享,感觸頗深 本

原创 paper read weekly(three)

一晃過去一週多了,白駒過隙裏的8月,尾巴里的日子,既盼着早些過去,又心裏暗許着每一秒的珍貴。 我熱愛一切的需要等待和沉澱:琥珀裏的時間,微暗的燈火,那忽明忽暗的未來,那在路上向彼此靠近的我們。 最近一直在整理對稱網絡,包括Unet、

原创 neural network and deep learning筆記(1)

neural network and deep learning 這本書看了陸陸續續看了好幾遍了,但每次都會有不一樣的收穫。DL領域的paper日新月異,每天都會有很多新的idea出來,我想,深入閱讀經典書籍和paper,一定可以從中發現

原创 neural network and deep learning筆記(2)

上次讀到這本書的第二章,第三章的內容較多,也做了一些擴展,所以單獨出來。 # “In fact, with the change in cost function it’s not possible to say precisely

原创 paper read weekly(six)

本週基本沒時間看論文了,一直在搬磚。。。 不過這周倒是看了一波hinton對BP算法的反思的各種解讀。這自是引起了很多的關注,但不可否認BP算法目前爲止真的很work,所以想好好回顧下BP算法。 來來來,接下來我們就來推導推導:

原创 FaceNet: A Unified Embedding for Face Recognition and Clustering

本文有以下幾個亮點:一是利用DNN直接學習到從原始圖片到歐氏距離空間的映射,從而使得在歐式空間裏的距離的度量直接關聯着人臉相似度;二是引入triplet損失函數,使得模型的學習能力更高效。 本文的模型示意圖如上,輸入層後緊接着DNN,

原创 LR(Logistic Regression)深入理解

這篇文章是對博客http://blog.csdn.net/cyh_24/article/details/50359055內容的搬運,個人感覺作者寫得很好,所以自己想從頭到尾“謄寫”一遍,以便理解透徹。謝謝作者的辛苦總結~ PS:因爲實習