论文题目：《BiSeNet: Bilateral Segmentation Network for Real-time Semantic Segmentation》 论文摘要：语义分割同时要求丰富的空间信息和大小不同的感受野。然而，通常我们为了达到实时的推理速度，会降低图像的空间分辨率，从而导致效果 ...
分类：
Web程序 时间：
2019-09-03 11:55:06
阅读次数：
151
阅读他人的代码能够帮助你学习编程。类似的，研究他人开训练出的实例，有助于你构建自己的CNN。 １．classicla network 1.1 LeNet-5 n_H,n_W在减小，n_C在增加 一个或多个卷积层后边跟一个池化层 阅读论文：只需精读第二段 1.2 AlexNet 论文：任务被分到了两个 ...
分类：
其他好文 时间：
2019-09-03 09:59:22
阅读次数：
117
1. 边缘检测 2. Padding 为了解决两个问题： 1.输出缩小。卷积操作后图像由(n,n)变成了(n-f+1,n-f+1) 2.丢失图像边缘的大部分信息 在卷积操作前对图像边缘进行填充，填充p个像素点。则填充并进行卷积后图像尺寸为(n+2p-f+1, n+2p-f+1) 选择填充size：v ...
分类：
其他好文 时间：
2019-09-03 09:39:33
阅读次数：
85
一、卷积神经网络 1、关于卷积神经网络的知识，这里推荐一个博客，可以通过几篇博文来了解卷积神经网络：https://www.cnblogs.com/pinard/category/894694.html 2、关于张量经过卷积与池化后数据各维度大小的变化： 设原图片数据维度为$batch*width* ...
分类：
其他好文 时间：
2019-09-02 14:14:44
阅读次数：
117
恢复内容开始 与R-CNN的不同： Fast R-CNN是端到端的，解决了R-CNN的速度慢、空间大的缺点。 训练： 使用5个最大池化层和5~13个不等的卷积层的三种网络进行预训练：CaffeNet，VGG_CNN_M_1024，VGG-16，使用之前要先做出如下改动： 对训练集中的图片，SS取出每 ...
分类：
其他好文 时间：
2019-08-25 16:10:33
阅读次数：
73
面对一个图像分类问题，可以有以下步骤： 1.建立一个简单的CNN模型，一方面能够快速地run一个模型，以了解这个任务的难度 卷积层1：卷积核大小3*3，卷积核移动步长1，卷积核个数64，池化大小2*2，池化步长2，池化类型为最大池化，激活函数ReLU。 卷积层2：卷积核大小3*3，卷积核移动步长1， ...
分类：
其他好文 时间：
2019-08-22 13:29:52
阅读次数：
126
目录 感受野 多个小卷积核连续卷积和单个大卷积核卷积的作用相同 小卷积核的优势 参考资料 感受野 在卷积神经网络中，感受野（Receptive Field）的定义是卷积神经网络每一层输出的特征图（feature map）上的像素点在输入图片上映射的区域大小。再通俗点的解释是，特征图上的一个点对应输入 ...
分类：
其他好文 时间：
2019-08-20 10:42:56
阅读次数：
97
目录 举例 参考资料 网中网结构通过多个分支的运算（卷积或池化），将分支上的运算结果在深度上连接 举例 一个3*3*2的张量， 与3个1*1*2的卷积核分别same卷积，步长=1， 与2个2*2*2的卷积核分别same卷积，步长=1， 与1个3*3*2的掩码最大值same池化，步长=1， 将得到的这 ...
分类：
Web程序 时间：
2019-08-20 10:30:43
阅读次数：
97
背景 用ConvNet方法解决图像分类、检测问题成为热潮，但这些方法都需要先把图片resize到固定的w*h，再丢进网络里，图片经过resize可能会丢失一些信息。论文作者发明了SPP pooling(空间金字塔池化)层，让网络可以接受任意size的输入。 方法 首先思考一个问题，为什么ConvNe ...
分类：
Web程序 时间：
2019-08-18 13:56:31
阅读次数：
107
参考链接: https://blog.csdn.net/Jason_yyz/article/details/80003271 https://blog.csdn.net/qq_21190081/article/details/72871704 ...
分类：
其他好文 时间：
2019-08-17 18:15:31
阅读次数：
55
