#毛主席的六大读书笔记

深度学习Bible学习笔记:第二、三章 线性代数 概率与信息论

推荐资源:《线性代数的本质》:Essenceoflinearalgebra视频教程《数学之美》(科普类书籍),吴军系列书籍都不错。易向军《大嘴巴漫谈数据挖掘》,通俗生动,不枯燥。...

深度学习Bible学习笔记:第一章 前言

写在前面:请务必踏踏实实看书,结合笔记或视频来理解学习,任何技术,啃砖头是最扎实最系统的,为避免知识碎片化,切忌抛却书本的学习!!! 一什么是深度学习1关于AI:AI系统必须具备从原始数据提取模式的能力——机器学习;算法性能依赖于数据表示(表示学习);传统机器学习:人工提取特征深度学习:源于并高于传统神经网络...

论文笔记(9):Multiscale Combinatorial Grouping

本文大致脉络:对每张图片,作者首先使用 P.Doll´arandC.Zitnick.Structuredforestsforfastedgedetection. ICCV,2013.4,5来产生边缘图(edgeprobabilitymap),请注意probability,因为下面connectedr...

论文笔记(8):BING: Binarized Normed Gradients for Objectness Estimation at 300fps

译文:《基于二值化赋范梯度特征的一般对象估计》摘要:通过训练通用的对象估计方法来产生一组候选对象窗口,能够加速传统的滑动窗口对象检测方法。我们观察到一般对象都会有定义完好的封闭轮廓,而且通过将相关图像窗口重置为固定大小,就可以通过梯度幅值进行区分。基于以上的观察以及复杂度的考虑,为了明确训练方法,我们将窗口固定为8*8...

论文笔记(7):Constrained Convolutional Neural Networks for Weakly Supervised Segmentation

UCBerkeley的DeepakPathak使用了一个具有图像级别标记的训练数据来做弱监督学习。训练数据中只给出图像中包含某种物体,但是没有其位置信息和所包含的像素信息。该文章的方法将imagetags转化为对CNN输出的label分布的限制条件,因此称为Constrainedconvolutionalneuraln...

论文笔记(6):Weakly-and Semi-Supervised Learning of a Deep Convolutional Network for Semantic Image Segmentation

这篇文章的主要贡献点在于:1.实验证明仅仅利用图像整体的弱标签很难训练出很好的分割模型;2.可以利用boundingbox来进行训练,并且得到了较好的结果,这样可以代替用pixel-level训练中的groundtruth;3.当我们用少量的pixel-levelannotations和大量的图像整体的弱标签来进行半监...

论文笔记(5):Fully Convolutional Multi-Class Multiple Instance Learning

这篇论文主要介绍了如何使用图片级标注对像素级分割任务进行训练。想法很简单却达到了比较好的效果。文中所提到的loss比较有启发性。大体思路:首先同FCN一样,这个网络只有8层(5层VGG,3层全卷积)。不同的是由于图片只有image-level的标注,所以输出图像的清晰度无法保证,所以没有反卷积。图片的分辨率很低很低,但...

论文笔记(4):Fully Convolutional Networks for Semantic Segmentation

首先回顾CNN测试图片类别的过程,如下图:主要由卷积,pool与全连接构成,这里把卷积与pool都看作图中绿色的convolution,全连接为图中蓝色的fullyconnected。卷积主要是获取高维特征,pool使图片缩小一半,全连接与传统神经网络相似作为权值训练,最后通过softmax输出概率最高的类别。上图中n...

论文笔记(2):Deep Crisp Boundaries: From Boundaries to Higher-level Tasks

----------------------------------------------------------------------------------------------------------------------------------------------------------------...

论文笔记(1):From Image-level to Pixel-level Labeling with Convolutional Networks

 文章采用了多实例学习(MIL)机制构建图像标签同像素语义的关联。该方法的训练样本包含了70万张来自ImageNet的图片,但其语义分割的性能很大程度上依赖于复杂的后处理过程,主要包括图像级语义的预测信息、超像素平滑策略、物体候选框平滑策略和MCG分割区域平滑策略。下图是论文所用方法的一般性说明:(1)使用来...

笔记:基于DCNN的图像语义分割综述

写在前面:一篇魏云超博士的综述论文,完整题目为《基于DCNN的图像语义分割综述》,在这里选择性摘抄和理解,以加深自己印象,同时达到对近年来图像语义分割历史学习和了解的目的,博古才能通今!感兴趣的请根据自己情况找来完整文章阅读学习。 图像的语义分割是计算机视觉中重要的基本问题之一,其目标是对图像的每个像素点进行分类,将图...

论文笔记(3):STC: A Simple to Complex Framework for Weakly-supervised Semantic Segmentation

论文题目是STC,即SimpletoComplex的一个框架,使用弱标签(imagelabel)来解决密集估计(语义分割)问题。2014年末以来,半监督的语义分割层出不穷,究其原因还是因为pixel级别的GroundTruth太难标注,因此弱监督成了人们研究的一个热门方向。作者的核心思想是提出了层层递进的三个DCNN。...
代码星球 ·2021-02-16

【UE4+Vive】学习笔记1

16.9.10为了做房产项目,这两天开始学习UnrealEngine4。之前一直用unity,但是视觉效果一直不满意,听说虚幻4的效果更好,就来试一试水。1.安装UE4参考资料一:http://v.youku.com/v_show/id_XOTM4Nzk4OTEy.html?beta&f=23742789&am...
代码星球 ·2021-02-16

[转]ExtJS学习笔记(二):handler与listener的区别

原文地址:http://blog.csdn.net/smilingleo/article/details/3733177ExtJS里handler和listener都是用来对用户的某些输入进行处理的,有必要区分一下各自都是怎么用的。 Handlerhandler与Action相关联,一个Action可以有多个...

darkriscv笔记

1按照默认设置,前4K空间为ROM,后4K空间是RAM。为什么RAM需要初值,初值从哪儿来? 2指令分类LUI:AUTPC:JAL:JALR:BCC:BEQ/BGE/BGEU/BLT/BLTU/BNE/LCC:LB/LBU/LD/LH/LHU/LWMCC:ORI/ANDI/XORI/ADDI/SLLI/SRL...
代码星球 ·2021-02-15
首页上一页...1011121314...下一页尾页