对于cuda驱动API的简单理解

背景将“深度学习”和传统的“计算机视觉”的知识相结合，没有过多的使用深度学习2014年将PASCALVOC数据集检测率从35%提升到53%具体步骤总体的步骤图：1.候选区域生成：ROI(Regions of Interst)Selective Search算法将图像分割承小区域，合并包含同一物体可能性较高的区域，提取约2000个候选区域归一化处理，得到固定大小的图像利用 Selective Sea

目录1、前言2、网络创新过拟合：LRN:Local Response Normalization归一化3、网络结构图：4.代码实现5.总结1、前言AlexNet 是 2012 年 ISLVRC2012 (Image Large Scale Visual Recognition Challenge) 竞赛的冠军网络，原始论文为ImageNet Classification with Deep Con

目录1.引言2.网络创新Residual-残差块Batch Normalization 批范规划层迁移学习3.网络架构4.代码实现5.总结1.引言ResNet 是在 2015 年由何凯明提出来的，斩获当年 ImageNet 竞赛中分类任务第一名，目标检测任务第一名，获得 COCO 数据集中目标检测第一名，图像分割第一名，NB。 原始论文为：Deep Residual Learning for Im

FPN模块解析以及相关代码学习

引言原文连接：GoogLeNet为了提升网络的性能可以选择增加网络深度和宽度，问题：导致带来大量的参数较深的网络需要更多的数据，容易产生过拟合现象增加网络的深度 也容易带来梯度消失现象·网络创新：局部特征结构：inception模块对特征并行地执行多个大小不同的卷积和池化运算，最后拼接到一起。优点：1 * 1 3*3 5 * 5 卷积运算对应不同的特征图区域，可以得到更好的图像表征信息注意：每个分

一张图看懂Faster R-CNN。背景Faster R-CNN采用与Fast R-CNN相同的设计，只是它用内部深层网络代替了候选区域方法新的候选区域网络（RPN）在生成ROI时效率更高，并且以每幅图像10毫秒的速度运行。Faster R-CNN 是作者 Ross Girshick 继 Fast R-CNN 后的又一力作，同样使用 VGG16 作为backbone，推理速度在 GPU 上达到 5

目录引言：创新技术NIN块模型结构代码实现总结引言：AlexNet VGG等最后分类器的全连接层达到4096，从而出现参数过多的问题，易过拟合：全连接层问题卷积层需要较少的参数：i：输入 c：输出但卷积层后的第一个全连接层的参数LeNet：16*5*5*120 = 48kAlexNet：256*5*5*4096 = 26MVGG：512 *7 * 7 *4096 = 102M...

参考：BN层一、背景引入原因随着网络越深，在反向传播算法向后传播的时候，梯度不断的相乘，从前到后之后，梯度将会很小损失出现在最后，后面的层训练的较快而数据在最底部底部的层训练较慢底部层一变化，所有都跟着变化最后那些层需要重新学习多次导致收敛变慢因此：可以在学习底部层的时候避免变化的顶不层提出2015 年，Google 研究人员Sergey Ioffe等提出了一种参数标准化(N..

背景将“深度学习”和传统的“计算机视觉”的知识相结合，没有过多的使用深度学习2014年将PASCALVOC数据集检测率从35%提升到53%具体步骤总体的步骤图：1.候选区域生成：ROI(Regions of Interst)Selective Search算法将图像分割承小区域，合并包含同一物体可能性较高的区域，提取约2000个候选区域归一化处理，得到固定大小的图像利用 Selective Sea