主页
SPP-Net
0. 参考https://zhuanlan.zhihu.com/p/34053764 1. 论文概况1. Motivation 当前的CNNs，fc需要固定大小的输入，因此需要输入图像尺寸固定，于是crop/warp，但这样可能会产生物体截断或拉伸，会导致输入CNN的图像信息丢失，降低了识别的精度。 提速：只做一次CNN特征提取，然后将每个region proposal的卷积层特征输入到全连
R-CNN
0. 参考1. 论文概况1. Motivation CNN的应用。 2. 解决什么问题？ 传统目标检测中，基于滑窗的区域选择策略没有针对性，时间复杂度高，窗口冗余； 传统目标检测中，手工设计的特征对于多样性的变化并没有很好的鲁棒性。 3. 提出了什么方法？ region proposal； CNN； 4. 效果如何？ R-CNN在PASCAL VOC2007上的检测结果从DPM HS
Mobilenet
参考： MobileNet V2 论文初读： https://zhuanlan.zhihu.com/p/33075914 CNN模型之MobileNet（知乎：我是小将）： https://zhuanlan.zhihu.com/p/31551004 （nice）：https://www.cnblogs.com/ansang/p/9076253.html https://yinguobing.co
python-数据处理1
读取csv数据文件numpy读取csv12from numpy import genfromtxtdata = genfromtxt('my_data.csv') pandas读取csv1data = pd.read_csv('my_data.csv') csv模块读取12345678import csvcsvreader = csv.reader(
感受野(receptive filed)大小的计算
感受野的概念 定义：卷积神经网络每一层输出的feature map上的像素点在输入图上映射的区域大小。分为理论感受野theoretical receptive field (TRF)与有效感受野effective receptive field (ERF)，通常说的是理论感受野 有效感受野 详见论文：Understanding the Effective Receptive Field in D
L1与L2正则化
更小的权值，从某种意义上讲，表示网络的复杂度更低，对数据的拟合刚刚好（这个法则也叫作奥卡姆剃刀）简单理解就是，权重变小了，表示模型对每个参数样本的依赖性就不那么大了，就减小了过拟合； 另，可参考：https://morvanzhou.github.io/tutorials/machine-learning/ML-intro/3-09-l1l2regularization/ L1倾向于把一些参
先验分布、后延分布、极大似然估计
参考：https://www.zhihu.com/question/24261751 先验概率：实际中经验所得的概率； 后验概率：知果求因，即条件概率P(A|B) 极大似然估计：已知某事件发生，其概率应最大 用“瓜熟蒂落”这个因果例子，从概率（probability）的角度说一下，先验概率，就是常识、经验所透露出的“因”的概率，即瓜熟的概率。应该很清楚。后验概率，就是在知道“果”之后，去推测“