YOLO 算法(Putting it together: YOLO algorithm) 你們已經(jīng)學(xué)到對(duì)象檢測(cè)算法的大部分組件了,在這個(gè)筆記里,我們會(huì)把所有組件組裝在一起構(gòu)成...
YOLO 算法(Putting it together: YOLO algorithm) 你們已經(jīng)學(xué)到對(duì)象檢測(cè)算法的大部分組件了,在這個(gè)筆記里,我們會(huì)把所有組件組裝在一起構(gòu)成...
Anchor Boxes 到目前為止,對(duì)象檢測(cè)中存在的一個(gè)問(wèn)題是每個(gè)格子只能檢測(cè)出一個(gè)對(duì)象,如果你想讓一個(gè)格子檢測(cè)出多個(gè)對(duì)象,你可以這么做,就是使用anchor box這個(gè)概...
非極大值抑制(Non-max suppression) 到目前為止你們學(xué)到的對(duì)象檢測(cè)中的一個(gè)問(wèn)題是,你的算法可能對(duì)同一個(gè)對(duì)象做出多次檢測(cè),所以算法不是對(duì)某個(gè)對(duì)象檢測(cè)出一次,而...
交并比(Intersection over union) 你如何判斷對(duì)象檢測(cè)算法運(yùn)作良好呢?在本筆記中,你將了解到并交比函數(shù),可以用來(lái)評(píng)價(jià)對(duì)象檢測(cè)算法。在下一個(gè)筆記中,我們用...
Bounding Box預(yù)測(cè)(Bounding box predictions) 在上一篇筆記中,你們學(xué)到了滑動(dòng)窗口法的卷積實(shí)現(xiàn),這個(gè)算法效率更高,但仍然存在問(wèn)題,不能輸出最...
卷積的滑動(dòng)窗口實(shí)現(xiàn)(Convolutional implementation of sliding windows) 上節(jié)筆記,我們學(xué)習(xí)了如何通過(guò)卷積網(wǎng)絡(luò)實(shí)現(xiàn)滑動(dòng)窗口對(duì)象檢測(cè)...
目標(biāo)檢測(cè)(Object detection) 學(xué)過(guò)了對(duì)象定位和特征點(diǎn)檢測(cè),今天我們來(lái)構(gòu)建一個(gè)對(duì)象檢測(cè)算法。這節(jié)課,我們將學(xué)習(xí)如何通過(guò)卷積網(wǎng)絡(luò)進(jìn)行對(duì)象檢測(cè),采用的是基于滑動(dòng)窗口...
特征點(diǎn)檢測(cè)(Landmark detection) 上節(jié)課,我們講了如何利用神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)象定位,即通過(guò)輸出四個(gè)參數(shù)值b_x、b_y、b_h和b_w給出圖片中對(duì)象的邊界框。更...
這一周我們學(xué)習(xí)的主要內(nèi)容是對(duì)象檢測(cè),它是計(jì)算機(jī)視覺(jué)領(lǐng)域中一個(gè)新興的應(yīng)用方向,相比前兩年,它的性能越來(lái)越好。在構(gòu)建對(duì)象檢測(cè)之前,我們先了解一下對(duì)象定位,首先我們看看它的定義。 ...
計(jì)算機(jī)視覺(jué)現(xiàn)狀(The state of computer vision) 深度學(xué)習(xí)已經(jīng)成功地應(yīng)用于計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理、語(yǔ)音識(shí)別、在線廣告、物流還有其他許多問(wèn)題。 在計(jì)...
數(shù)據(jù)擴(kuò)充(Data augmentation) 大部分的計(jì)算機(jī)視覺(jué)任務(wù)使用很多的數(shù)據(jù),所以數(shù)據(jù)擴(kuò)充是經(jīng)常使用的一種技巧來(lái)提高計(jì)算機(jī)視覺(jué)系統(tǒng)的表現(xiàn)。我認(rèn)為計(jì)算機(jī)視覺(jué)是一個(gè)相當(dāng)復(fù)...
遷移學(xué)習(xí)(Transfer Learning) 如果你要做一個(gè)計(jì)算機(jī)視覺(jué)的應(yīng)用,相比于從頭訓(xùn)練權(quán)重,或者說(shuō)從隨機(jī)初始化權(quán)重開始,如果你下載別人已經(jīng)訓(xùn)練好網(wǎng)絡(luò)結(jié)構(gòu)的權(quán)重,你通常...
Inception 網(wǎng)絡(luò)(Inception network) 在上節(jié)筆記中,你已經(jīng)見到了所有的Inception網(wǎng)絡(luò)基礎(chǔ)模塊。在本節(jié)筆記中,我們將學(xué)習(xí)如何將這些模塊組合起來(lái)...
谷歌 Inception 網(wǎng)絡(luò)簡(jiǎn)介(Inception network motivation) 構(gòu)建卷積層時(shí),你要決定過(guò)濾器的大小究竟是1×1,3×3還是5×5,或者要不要添...
網(wǎng)絡(luò)中的網(wǎng)絡(luò)以及 1×1 卷積(Network in Network and 1×1 convolutions) 在架構(gòu)內(nèi)容設(shè)計(jì)方面,其中一個(gè)比較有幫助的想法是使用1×1卷積...
殘差網(wǎng)絡(luò)為什么有用?(Why ResNets work?) 為什么ResNets能有如此好的表現(xiàn),我們來(lái)看個(gè)例子,它解釋了其中的原因,至少可以說(shuō)明,如何構(gòu)建更深層次的ResN...
殘差網(wǎng)絡(luò)(Residual Networks (ResNets)) 非常非常深的神經(jīng)網(wǎng)絡(luò)是很難訓(xùn)練的,非常非常深的神經(jīng)網(wǎng)絡(luò)是很難訓(xùn)練的,非常非常深的神經(jīng)網(wǎng)絡(luò)是很難訓(xùn)練的,記住...
經(jīng)典網(wǎng)絡(luò)(Classic networks) 這節(jié)課,我們來(lái)學(xué)習(xí)幾個(gè)經(jīng)典的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),分別是LeNet-5、AlexNet和VGGNet。 LeNet-5 首先看看LeNe...
為什么要探索發(fā)展史(實(shí)例分析)? 我們首先來(lái)看看一些卷積神經(jīng)網(wǎng)絡(luò)的實(shí)例分析,為什么要看這些實(shí)例分析呢? 上周我們講了基本構(gòu)建,比如卷積層、池化層以及全連接層這些組件。 事實(shí)上...