原创 YOLO v1, v2, v3總結與比較

今天總結下YOLO V123的細節 官網:https://pjreddie.com/ YOLO v1 [CVPR2016] You Only Look Once: Unified, Real-Time Object Detecti

原创 遠程服務器的docker容器中運行flask框架,本機顯示

在服務器上創建了一個docker環境,在其中運行flask相關程序 如果在服務器上運行下列程序,在本地瀏覽器輸入 服務器IP:5000 即可出現Hello World! from flask import Flask app =

原创 導出python安裝的所有模塊名稱和版本號到文件中

一般查看python下安裝了什麼包,我們可在命令行模式下輸入 1 $ pip list 輸出結果: Package Version --------------------

原创 TensorFlow損失函數、優化器API及其在簡單卷積網絡上的比較

Loss 1. L2損失 tf.nn.l2_loss(t, name=None) output = sum(t ** 2) / 2 2. 交叉熵損失 C=−1n∑x[yln⁡a+(1−y)ln⁡(1−a)]C=-\frac{1}

原创 爲什麼要用非線性的激活函數

如果用線性的激勵函數,其實輸出就是輸入乘上一個大的矩陣,就沒有體現出隱層的作用。輸出信號僅是一個簡單的線性函數。線性函數一個一級多項式,線性方程的複雜度有限,從數據中學習複雜函數映射的能力很小。沒有激活函數,神經網絡將無法學習和

原创 LeNet AlexNet GoogLeNet VGGNet ResNet等經典網絡結構

LeNet 1998年提出 是卷積神經網絡的鼻祖 它的深度爲5,包含2個卷積層和2個全連接層和1個Guassian connection 下面是LeNet-5網絡結構(摘自吳恩達課程):LeNet中還未使用padding,所以

原创 python學習筆記1 anaconda安裝 切片 字符串

python作者:Guido van Rossum 名字來源:Monty Python’s Flying Circus 常用庫介紹 Numpy 支持大量的維度數據、數組和矩陣的運算 核心數據結構:ndarray與ufunc Pan

原创 EDCF閱讀筆記:Reinforced Representation Learning for High Performance Visual Tracking

前言:看完這篇文章,我感慨還是挺多的。。 先附上作者在知乎上對這篇文章的介紹吧:https://zhuanlan.zhihu.com/p/34222060 論文的介紹在文章後半部分。 這篇文章考慮的是怎麼不丟失跟蹤目標的細節,其實

原创 TensorFlow卷積、池化操作API 及卷積核個數和不同池化的比較

卷積操作API 普通卷積 tf.nn.convlution(input, filter, padding, strides=None, dilation=None, name=None, data_format=None)

原创 TensorFlow激活函數API及其在簡單卷積網絡上的比較

Activation Functions 平滑非線性激活單元(sigmoid,tanh,elu,softplus and softsign) 連續但不是處處可導的激活單元(relu,relu6,crelu and relu_x)

原创 TensorFlow可變學習率及不同初始學習率對網絡影響的比較

TensorFlow中的learning_rate_decay.py文件中查看更多 指數衰減 def exponential_decay(learning_rate, global_step, decay_steps, decay

原创 SiamDW閱讀筆記:Deeper and Wider Siamese Networks for Real-Time Visual Tracking

2019年CVPR上的文章 論文原文地址:https://arxiv.org/abs/1901.01660?context=cs 跟蹤部分的代碼也放出來了:https://gitlab.com/MSRA_NLPR/deeper_w

原创 R-CNN, FastR-CNN, FasterR-CNN總結與比較

1. R-CNN Rich feature hierarchies for accurate object detection and semantic segmentation [CVPR14] pdf 在輸入圖片上通過s