原创 CNN接受域（ receptive field）的計算
A guide to receptive field arithmetic for CNN原文：click hereCNN的兩大神器之一，局部感知野（另一個是權值共享）。一般認爲，人類的對外界的感知都是從局部到全局的，而對於圖像來說，也是
2020-06-17 13:09:05
21
原创 圖像識別3-VGGNet-very deep convolutional Network for large-scale image recognition
文章重點： 1.使用更小的3*3的卷積核與更深的網絡（16-19層）獲得了比ZFNet和AlexNet更好的效果，並且作者測試了不同的數據集證明了該網絡具有很好的泛化性，在其他的測試集上也表現出了很好的性能。 2.作者對比了5種深度的卷積
2020-02-21 09:20:48
1
原创 圖像識別文章閱讀1-ImageNet Classification with Deep Convolutional Neural Network-2012
ImageNet Classification with Deep Convolutional Neural Networks Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton 重點：
2020-02-21 09:20:48
1
原创 在實際項目中，如何選擇合適的機器學習模型？
在這個文章中，我們主要面向初學者或中級數據分析師，他們對識別和應用機器學習算法都非常感興趣，但是初學者在面對各種機器學習算法時，都會遇到一個問題是 “在實際項目中，我到底應該使用哪種算法呢？”。這個問題的答案取決於許多的因素，其中包括：
2020-02-21 09:20:48
1
原创 圖像文章閱讀2-ZFNet-Visualizing and Understanding Convolutional Networks
一、文章作者： Matthew D. Zeiler 和Rob Fergus Dept. of Computer Science, Courant Institute, New York University 原文鏈接：http://
2020-02-21 09:20:48
原创 非極大抑制（Non-Maximum Suppression）和Hard negative mining
一、Nms主要目的 在物體檢測非極大抑制應用十分廣泛，主要目的是爲了消除多餘的框，找到最佳的物體檢測的位置。 如上圖中：雖然幾個框都檢測到了人臉，但是我不需要這麼多的框，我需要找到一個最能表達人臉的框。下
2020-02-21 09:20:48
原创 ubuntu19.10+nvidia-440+cuda-10.2+cudnn-7.7安裝
該方案爲筆者嘗試安裝正確後的經驗總結，參考文檔： Ubuntu安裝和卸載CUDA和CUDNN Ubuntu安裝gcc g++ 7 NVIDIA CUDA Installation Guide for Linux Ubuntu 1
2020-02-21 09:20:48
原创 圖像分類閱讀4-GoogLeNet-Going Deeper with Convolutions
本文轉載自：http://blog.csdn.net/shuzfan/article/details/50738394 本文介紹的是著名的網絡結構GoogLeNet及其延伸版本，目的是試圖領會其中的思想而不是單純關注結構。 G
2020-02-21 09:20:48
原创 Sizeof與Strlen的區別與聯繫
一、sizeof sizeof(...)是運算符，在頭文件中typedef爲unsigned int，其值在編譯時即計算好了，參數可以是數組、指針、類型、對象、函數等。 它的功能是：獲得保證能容納實現所建立的最大對象的字節
2018-09-21 00:55:41
原创 softmax變種或增強1：Large-Margin Softmax Loss for Convolutional Neural Networks
本博文轉載自：https://blog.csdn.net/shaoxiaohu1/article/details/53325945參考文獻： Liu W, Wen Y, Yu Z, et al. Large-Margin Softmax
2018-09-05 02:52:03
4
原创 卷積網絡的進化史
這篇文章是對卷積網絡進化過程的詳細描述，非常的全面，思路清晰，轉自https://tracholar.github.io/machine-learning/2017/07/23/cnn-evalution.html， 留作學習資料學習卷積
2018-09-05 02:52:03
3
原创 跨平臺Caffe及I/O模型與並行方案（五）
5. 參數服務器5.1 背景介紹 在機器學習和深度學習領域，單機已經解決不了目前快速增長的數據和參數了，分佈式的優化已經成了一種先決條件。現實中，訓練數據的數量可能達到1TB到1PB之間，而訓練過程中的參數可能會達到109到1012
2018-09-05 02:52:02
原创 卷積神經網絡中卷積、反捲積、池化解析
感謝博主：https://blog.csdn.net/gqixf/article/details/785495451.前言 傳統的CNN網絡只能給出圖像的LABLE，但是在很多情況下需要對識別的物體進行分割實現end to end，然
2018-09-05 02:52:02
原创 softmax增強： A-SoftMax. SphereFace: Deep Hypersphere Embedding for Face Recognition
本文轉載自：https://blog.csdn.net/shaoxiaohu1/article/details/78885080 參考文獻： Liu W, Wen Y, Yu Z, et al. SphereFace: Deep Hype
2018-09-05 02:52:02
92
原创 跨平臺Caffe及I/O模型與並行方案（三）
3. Caffe I/O模型 Caffe支持GPU加速模式，這種異構程序設計對於I/O模型的效率有更高的要求。Caffe通過引入多重預緩衝來彌補內存與顯存帶寬的較大差距，使用主存管理自動機控制內存與顯存的數據傳輸與同步，從而達到隱藏
2018-09-05 02:52:01
30