E-COM-NET
首页
在线工具
Layui镜像站
SUI文档
联系我们
推荐频道
Java
PHP
C++
C
C#
Python
Ruby
go语言
Scala
Servlet
Vue
MySQL
NoSQL
Redis
CSS
Oracle
SQL Server
DB2
HBase
Http
HTML5
Spring
Ajax
Jquery
JavaScript
Json
XML
NodeJs
mybatis
Hibernate
算法
设计模式
shell
数据结构
大数据
JS
消息中间件
正则表达式
Tomcat
SQL
Nginx
Shiro
Maven
Linux
featuremap
RPN的实现细节
https://github.com/abbyQu/Mask_RCNNRPN的输入是卷积层最后的
featuremap
，所谓的slidingwindow其实还是做卷积，用n*n论文里说的是窗口大小，其实就是卷积核大小
hi小蜗
·
2020-08-26 13:39
CNN——全连接层 dense/FC
全连接层dense/FC1.作用根据特征的组合进行分类大大减少特征位置对分类带来的影响2.全连接层filter的作用就相当于喵在哪我不管我只要喵于是我让filter去把这个喵找到实际就是把
featuremap
猴子喜
·
2020-08-26 13:18
特征金字塔（FPN）的学习过程
1、作者将不改变
featuremap
大小的层归为一个stage2、图像的混叠现象：“所谓混叠，即高于采样频率一半的高频信号被映射到信号的低频部分，与原有低频信号叠加，对信号的完整性和准确性产生影响”采样频率必须大于原始信号最高频率的两倍
荣荣闲不住
·
2020-08-26 12:50
感受野(receptive field)
1感受野的概念在卷积神经网络中，感受野的定义是卷积神经网络每一层输出的特征图（
featuremap
）上的像素点在原始图像上映射的区域大小。RCNN论文中有一段描述，Alexnet
bu_boosting
·
2020-08-26 12:02
【目标检测】One-stage目标检测算法
3.选择先验框的策略3.1yolo选择先验框的策略3.2SSD选择先验框的策略4.怎样由最后的
featuremap
转换成bbox的？
aaon22357
·
2020-08-26 12:28
深度学习
卷积神经网络中的参数计算(转载)
www.cnblogs.com/hejunlin1992/p/7624807.html举例1：比如输入是一个32x32x3的图像，3表示RGB三通道，每个filter/kernel是5x5x3，一个卷积核产生一个
featuremap
Mihu_Tutu
·
2020-08-26 11:29
深度学习
【论文】目标检测中正负样本的选取总结
二、正文1.FastR-CNN构造如下：步骤是1.selectivesearch->ROIs->筛选->ROIs2.ROIs+
featuremap
->ROIPooling->分类+回归->NMS正例：与
FSALICEALEX
·
2020-08-26 11:35
论文
RCNN系列（3）--Faster-RCNN
耗时），ShaoqingRen在2016年NIP上提出了FasterR-CNN.2.基本概念2.1ROIpoolingRolPooling可以使生成的候选框regionproposal映射产生固定大小的
featuremap
深蓝之梦
·
2020-08-25 16:27
RCNN系列
RCNN系列（2）--Fast-RCNN与SPPNet
2.基本概念2.1空间金字塔池化SPP空间池化，就是固定输出尺寸，如中间那个4×256-d,我们将一个
featuremap
等分为4块（将一幅图像等分为4块区域，这里是对特征图进行分）。
深蓝之梦
·
2020-08-25 16:27
RCNN系列
LeNet-5
下图显示了其结构：输入的二维图像，先经过两次卷积层到池化层，再经过全连接层，最后使用softmax分类作为输出层模型结构:LeNet-5共有7层（不包含输入层），每层都包含可训练参数；每个层有多个
FeatureMap
diaoyan2763
·
2020-08-25 16:52
人工智能
[论文解读] MSCNN: A Unified Multi-scale Deep Convolutional Neural Network for Fast Object Detection
其基本思路是提出了一种多尺度卷积神经网络，由于不同层的
featuremap
的优势不一样，如较低层的
featuremap
由于感知野较小，因此对与小物体的检测相对较好；较
williamyi96
·
2020-08-25 05:08
2D目标检测
机器学习算法基础问题(二)类别不均|尺寸及感受野|Batch Norm|损失函数
尺寸及感受野|BatchNorm|损失函数机器学习算法基础问题(三)集成学习|adaboost与XGboost|EM算法目录一、不均衡类别问题1.1问题1.2解决类别不均方法重新采样re-weight二、
featuremap
祥瑞Coding
·
2020-08-24 17:53
机器学习
pytorch 实现 Style Transfer
pytorch实现StyleTransfer设CNN中第lll层风格图片、内容图片、生成图片的
featuremap
分别为SlS^lSl、ClC^lCl、GlG^lGl。
Neo__Z
·
2020-08-24 08:55
读论文系列：Object Detection ICCV2015 Fast RCNN
OverviewFastrcnn直接从单张图的
featuremap
中提取RoI对应的
featuremap
，用卷积神经网络做分类，做boundingbo
梦里茶
·
2020-08-24 03:22
谷歌的手势识别pipeline
ResNet101+空洞卷积+更密集的
featuremap
对检测区域进行单人姿态估计。其中有几个
进击的煎饼果子
·
2020-08-24 03:42
姿态估计
深度学习
论文翻译笔记
直播丨 52.1 mAP！AutoAssign：最强一阶段目标检测器
LabelAssignment主要是指检测器(objectdetector)在训练阶段区分正负样本，并给
featuremap
的每个位置赋予合适的学习目标的过程。
旷视
·
2020-08-23 23:44
人工智能
计算机视觉
深度学习
编程语言
html
【转载】ROI-Align 原理理解
如果这个label框本身就不大，那么经过几层池化之后，是不是在最后的
featuremap
上都没有一个位置，能够对应到这个区域？
jessican_uestc
·
2020-08-23 17:37
ubuntu
语义分割——FCN
《FullyConvolutionalNetworksforSemanticSegmentation》FCN架构：FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的
featuremap
进行上采样
Eva_Hua
·
2020-08-23 08:50
deep
learning
简记pytorch实现Style transfer 思路及框架
Gram矩阵定义于特征图（每层网络得到的激活图
featuremap
）。每个特征图的大小一般是MxNxC或者是CxMxN这种大小，C表示的时候厚度，MxN表示的是一个矩阵的大小。
irisool
·
2020-08-23 05:05
空洞卷积为何有用及弊端
同时，当空洞卷积的rate调得很大时，比如rate和
featuremap
大小一致时，3x3卷积会退化成1x1卷积。为了解决这些问题，图森提出了称为HDC（HybridDilatedCo
小伟db
·
2020-08-22 17:35
SSD
1）SSD采用CNN直接进行检测，然而YOLO在全连接层之后进行检测；2）SSD提取的不同尺度的
featuremap
来做检测，大尺度的特征图（靠前的特征图）用来检测比较小的物体（感受野小），而小尺度的特征图用来检测大物体
code-life
·
2020-08-22 17:01
关于理解卷积操作中Padding的两种方式
因此需要padding一张MxM的图片，经过卷积核FxF，strides=[1,1,1,1],padding=valid卷积操作后,得到大小为C_sidexC_side的
featuremap
,其中，C_side
IDEAL1995
·
2020-08-22 15:40
CNN中的padding如何影响位置学习
最近在知乎上看到大家都在说CNN学习目标的位置时是根据padding来学习的，下面是利用C++实现的矩阵之间的卷积运算注：有个假设就是，认为
featuremap
中的1是背景，4567是前景1、
featuremap
贾小树
·
2020-08-22 12:15
深度学习
目标检测
CNN中padding的作用
padding的上限是维持
featuremap
大小和原图大小一致。目的是保持
featuremap
不要太小。
幸运六叶草
·
2020-08-22 11:54
深度学习
tensorflow
超分辨率——FC2N: Fully Channel-Concatenated Network for Single Image Super-Resolution
），提高模型性能，作者认为，即使这样，residualblock的短链接限制了模型的表达能力，因此作者提出了FC2NFC^2NFC2N模型，这个模型利用shortskip和globalskip，另外，
featuremap
_Hao_
·
2020-08-22 10:28
超分辨率
matlab打开.mat文件
whosNamesizeBytesClassAttributesembedmap640x640x128209715200single>>imshow(emdedmap)>>imshow(embedmap(:,:,1))注：在imshow(embedmap)的时候会出错，因为这个
featuremap
weixin_41950276
·
2020-08-22 04:16
matlab
卷积层，pooling层的理解
在CNN的一个卷积层中，通常包含若干个特征图(
featureMap
)，每个特征图由一些矩形排列的的神经元组成，同一特征图的神经元共享权值，这里共享的权值就是卷积核。
樱木翔
·
2020-08-22 02:12
机器学习
笔记
池化
池化在通过卷积层获得特征(
featuremap
)之后,下一步要做的就是利用这些特征进行整合、分类。
不想悲伤到天明
·
2020-08-22 02:01
TensorFlow
Mimicking Very Efficient Network for Object Detection
本文提出了一种学习
featuremap
来实现ObjectDetect
mengmengmiao
·
2020-08-22 02:20
object
detection最新技术
Fatser R-CNN:Towards Real-Time Object Detecion with Region Proposal Networks--2015论文笔记
(把每一个
featuremap
的位置都encode成一个短的
weixin_41950276
·
2020-08-22 00:09
1×1卷积功能
之前对1×1卷积的作用的看法主要是多通道融合和降低
featuremap
数量，最近又看到一个新说法，记录一下：转自：http://finance.jrj.com.cn/tech/2017/07/07185122717460
木子天一
·
2020-08-21 23:06
深度学习
循环神经网络视频学习
卷积神经网络使用“局部关联，参数共享”的方法卷积、特征图
featuremap
、padding、深度channel以及池化概念eg输入为7x7x3的图像，则卷积核的大小应为nxnx3（此处为3x3x3），
hyzs1220
·
2020-08-20 22:00
目标检测中的常用模块总结
图中放大的区域就是横向连接，这里1*1的卷积核的主要作用是减少卷积核的个数，也就是减少了
featuremap
的个数，并不改变
featuremap
的尺寸大小。
CabbageWust
·
2020-08-20 21:55
目标检测
深度学习
maskrcnn_benchmark理解记录——关于batch norm、relu、dropout 的相对顺序以及dropout可不可用
全连接网络可以使
featuremap
的维度减少，进而输入到softmax，但是又会造成过拟合，可以用pooling来代替全连接。那就解决了之前的问题：要不要在fc层使用drop
业精于勤荒于嬉-行成于思而毁于随
·
2020-08-20 12:20
姿态估计逐步
maskrcnn理解记录
resnet与densenet的区别
[x0,x1,…,xl-1]表示将0到l-1层的输出
featuremap
做concatenation。concatenation是做通道的合并，就像Inception那样。而前面resnet是做值
米翁方
·
2020-08-20 10:27
深度学习
Tensorflow中权值和feature map的可视化
本文并不涉及对tensorboard使用的介绍，而是旨在说明如何通过代码对网络权值和
featuremap
做更灵活的处理、显示和存储。
无空ty
·
2020-08-20 04:54
Tensorflow
TextCNN(个人笔记)
1.TextCNN结构图2.优化参数TextCNN模型中，超参数主要有词向量，RegionSize的大小，
FeatureMap
的数量，激活函数的选择，Pooling的方法，正则化的影响。
KasenBob
·
2020-08-20 02:40
大数据
机器学习
NLP
Recurrent scale approximation for objrct detectiong in CNN
但在一些一般的场景下也能达到不错的效果(用航天图像测一波)1.针对问题CNN天生缺乏处理大尺度变化的情况2.解决方案1.采取了尺度估计模型RSA(recurrentscaleapproximation)解决此问题，一次性计算
featuremap
MingSun95
·
2020-08-20 01:34
目标检测论文笔记
直播丨研究进展：AutoAssign，目标检测中完全动态的正负样本标签分配方法
LabelAssignment主要是指检测器(objectdetector)在训练阶段区分正负样本，并给
featuremap
的每个位置赋予合适的学习目标的过程。
旷视
·
2020-08-19 08:44
【创新实训 第二周】 CTPN 实战 2019.3.31
2019.4.8注意，这个模型依旧跑不起来，且回归部分有误详细工作内容CTPN模型搭建如图，模型由以下部分组成：VGG16网络，取到conv5的第三层；在Conv5的每个
featuremap
像素上取
PPTPPT5566
·
2020-08-19 04:37
创新实训
Pytorch中的Batch Normalization操作
之前一直和小伙伴探讨batchnormalization层的实现机理，作用在这里不谈，知乎上有一篇paper在讲这个，链接这里只探究其具体运算过程，我们假设在网络中间经过某些卷积操作之后的输出的
featuremap
YongjieShi
·
2020-08-19 04:04
深度学习笔记_基本概念_卷积网络中的通道channel、特征图feature map、过滤器filter和卷积核kernel
目录卷积网络中的通道、特征图、过滤器和卷积核1.
featuremap
1.1
featuremap
1.2
featuremap
怎么生成的？1.3多个
featuremap
的作用是什么？
skyjhyp11
·
2020-08-19 03:26
深度学习
卷积核问题
描述网络模型中某层的厚度，通常用名词通道channel数或者特征图
featuremap
数。不过人们更习惯把作为数据输入的前层的厚度称之为通道数（比如RGB三色图层称为输入通道数为3），把作为卷积输出的
ZcGXJ
·
2020-08-19 03:54
神经网络入门基础
feature map、卷积核、卷积核个数、filter、channel的概念解释
featuremap
、卷积核、卷积核个数、filter、channel的概念解释
featuremap
的理解在cnn的每个卷积层，数据都是以三维形式存在的。
you是mine
·
2020-08-19 03:15
人工智能
卷积
网络
深度学习
计算机视觉
机器学习
【项目实践】车距+车辆+车道线+行人检测项目实践
2、项目主题部分2.1、YOLOV2模型YoloV2的结构是比较简单的，这里要注意的地方有两个：1.输出的是batchsizex（5+20）*5xWxH的
featuremap
；2.
ChaucerG
·
2020-08-19 03:03
机器学习
深度学习
pytorch
Batch Normalization原理及pytorch的nn.BatchNorm2d函数
下面通过举个例子来说明BatchNormalization的原理，我们假设在网络中间经过某些卷积操作之后的输出的
featuremap
的尺寸为4×3×2×2，4为batch的大小，3为channel的数目
Mr.Jcak
·
2020-08-19 00:09
pytorch
pytorch中nn模块的BatchNorm2d()函数
BatchNorm2d()函数数学原理如下：例如：假设在网络中间经过某些卷积操作之后的输出的
featuremap
小菜菜菜菜菜菜菜菜
·
2020-08-19 00:22
神经网络
深度学习
神经网络
卷积
SSD学习小结
利用卷积从图像矩阵中提取特征，从而得到特征图（
Featuremap
）。
千金不
·
2020-08-18 16:34
为什么SSD(Single Shot MultiBox Detector)对小目标的检测效果不好？
转载网址：https://www.zhihu.com/question/49455386SSDisaclassawareRPNwithalotofbellsandwhistles.每一个
featuremap
XYYHLark01
·
2020-08-18 14:43
人工智能
1X1卷积核到底有什么作用
这里总结和归纳下在网上查到的自认为很合理的一些答案，包括1）跨通道的特征整合2）特征通道的升维和降维3）减少卷积核参数（简化模型）部分转载自caffe.cn作用：1.实现跨通道的交互和信息整合2.进行卷积核通道数的降维和升维3.对于单通道
featuremap
wonengguwozai
·
2020-08-17 17:07
机器学习与深度学习理论2
上一页
7
8
9
10
11
12
13
14
下一页
按字母分类：
A
B
C
D
E
F
G
H
I
J
K
L
M
N
O
P
Q
R
S
T
U
V
W
X
Y
Z
其他