为了增强语义性,传统的物体检测模型通常只在深度卷积网络的最后一个特征图上进行后续操作,而这一层对应的下采样率(图像缩小的倍数)通常又比较大,如16、32,造成小物体在特征图上的有效信息较少,小物体检测性能会急剧下降,这个问题也被成为多尺度问题。 解决多尺度问题的关键在于如何提取多尺度的特征。传统的方法有图像金字塔(Image Pyramid),主要思路是将输入图片做成多个尺度,不同尺度的图像生成不同尺度的特征,这个方法简单而有效,大量使用在了COCO等竞赛上,但缺点是非常耗时,计算量也很大。 从前面内容可以知道,卷…

2020年06月25日 0条评论 12点热度 0人点赞 阅读全文

ResNet通过前层与厚层的“短路连接”(Shortcuts),加强了前后层之间的信息流通,在一定程度上缓解了梯度消失现象,从而可以将神经网络搭建得很深。更进一步,DenseDet最大化了这种前后信息交流,通过建立前面所有层与后面层的密集连接,实现了特征在通道维度上的复用,使其可以在参数与计算量更少的情况下实现比ResNet更优的性能,提出DenseNet的《Densely Connected Convolutional Networks》也一举拿下了2017年CVPR的最佳论文。 DenseNet的网络架构如下图…

2020年06月25日 0条评论 9点热度 2人点赞 阅读全文

给定一幅图像(一般为二值图像)中的点集合,如何检测直线? 一种解决方法:任选一对点,决定一条线,然后测试所有其他点是否接近这条线,从而得出接近这条特殊线的所有点的子集。该方法比较复杂。另外一种方法便是采用霍夫变换。 霍夫变换是图像处理必然接触到的一个算法,它通过一种投票算法检测具有特定形状的物体,该过程在一个参数空间中通过计算累计结果的局部最大值得到一个符合该特定形状的集合作为霍夫变换结果,该方法可以进行圆,直线,椭圆等形状的检测。在车道线检测中,当初考虑的一个方案便是采用霍夫变换检测直线进行车道线提取。 霍夫变换…

2020年06月24日 0条评论 28点热度 0人点赞 阅读全文

VGGNet和Inception出现后,学者们将卷积网络不断加深以追求更优越的性能,然而随着网络的加深,网络却越发难以训练,一方面出产生梯度消失现象;另一方面越深的网络返回的梯度相关性会越来越差,接近于白噪声,导致梯度更新也接近于随机扰动。 ResNet(Residual Network,残差网络)较好地解决了这个问题,并获得了2015年ImageNet分类任务的第一名。此后的分类、检测、分割等任务也大规模使用ResNet作为网络骨架。 ResNet的思想在于引入了一个深度残差框架来解决梯度消失问题,即让卷积网络去…

2020年06月21日 0条评论 43点热度 2人点赞 阅读全文

一般来说,增加网络的深度和宽度可以提升网络的性能,但是这样做也会带来参数量的大幅度增加,同时较深的网络需要较多的数据,否则容易产生过拟合现象。除此之外,增加神经网络的深度容易带来梯度消失的现象。在2014年的ImageNet大赛上,获得冠军的Inception v1(又名GoogLeNet)网络较好地解决了这个问题。 Inception v1网络是一个精心设计的22层卷积网络,并提出了具有良好局部特征结构的Inception模块,即对特征并行地执行多个大小不同的卷积运算和池化,最后再拼接到一起。由于1*1、3*3、…

2020年06月21日 0条评论 19点热度 3人点赞 阅读全文

#输出0~1000的素数,每行输出10个 k=1 for i in range(2,1001): j=2 while j*j<=i: if(i%j==0):#如果能被整除,则不是素数 break j+=1 if(j*j>i): #是素数,则输出 print(i,end='') if(k%10==0): print("\n",end='') else: print(" ",end='') k+=1 print("\n共{}个".format(k-1));

2020年04月25日 0条评论 46点热度 3人点赞 阅读全文

import torch from matplotlib import pyplot as plt import numpy as np import random #生成数据集 num_inputs = 2 num_examples = 1000 true_w = [2, -3.4] true_b = 4.2 features…

2020年04月25日 0条评论 54点热度 1人点赞 阅读全文