【代码】分割Mask2Polygon。

翻译论文：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition概述当前深度卷积神经网络（CNNs）都需输入固定的图像尺寸(fixed-size),如224×224）。这种需要是“人为”的，并且当面对任意尺寸或比例的图像时，识别精度会降低。而论文中提出的**“空间金字塔池化”(spatial p..

目前较为成熟的目标检测算法可总结如下：RCNN（2014年）RCNN是一个多阶段训练模型，包括生成候选区域，CNN微调，SVM分类训练以及边界框回归等多个步骤（Selective Research+CNN+SVM）。整体流程类似于滑动窗口思想，R-CNN 采用对区域进行识别的方案，具体是：1、给定一张输入图片，从图片中提取 2000 个类别独立的候选区域。2、对于每个区域利用 CNN...

文本分类是NLP领域最经典的应用场景之一，其实现方法我们可以划分为两类。其一是基于传统机器学习的文本分类，如 TF-IDF文本分类。其二便是基于深度学习方法的文本分类，如Facebook开源的FastText文本分类，Text-CNN 文本分类，Text-CNN 文本分类等。下面我们详细介绍这两种方法。一、机器学习方法文本分类任务可被划分为特征工程和分类器两部分，具体流程如下图所示：特...

上节我们介绍到了Model部分，我们在接着往下阅读：Convolutional Network卷积网络图像的视觉特征是通过与最大池层交错的多层卷积神经网络提取的。 现在，该网络体系结构已成为标准。 我们专门针对Shi等人使用的网络进行建模。 （2015）用于图像的OCR（规格在表1中给出）。 与最近的OCR工作（Jaderberg等，2015； Lee＆Osindero，2016）不同，我们不..

一、简介常用文本识别算法有两种：CNN+RNN+CTC（CRNN+CTC）CNN+Seq2Seq+Attention其中CTC与Attention相当于是一种对齐方式，具体算法原理比较复杂，就不做详细的探讨。其中CTC可参考这篇博文，关于Attention机制的介绍，可以参考我的另一篇博文。CRNN 全称为 Convolutional Recurrent Neural Networ...

完整的训练过程为了更好地理解pytorch框架下如何利用神经网络训练数据，可以通过一个简单的回归任务来学习理解。第一步：生成数据集（y = a * x^2 + b）import torchfrom torch.autograd import Variableimport matplotlib.pyplot as plttorch.manual_seed(1)x = torch.u...

复杂度（Complexity）Self-Attention复杂度Attention(Q,K,V)=Softmax(QKTd)VAttention(Q,K,V) = Softmax(\frac{QK^{T}}{\sqrt{d}})VAttention(Q,K,V)=Softmax(d​QKT​)V线性AttentionTransformer应用MSA、W-MSA

不同于图像分类中的数据增强，在目标检测中，由于涉及到了边界框（bounding box），导致有一些常用的图像增强不能用,在图像变化的时候同时要考虑到方框坐标点的变化。下面我们总结一些常用的包装好的数据增强函数。1、图像数组翻转def random_flip(self, im, boxes):if random.random() < 0.5:...

SSD Loss"""SSD Weighted Loss FunctionCompute Targets:1) Produce Confidence Target Indices by matchingground truth boxeswith (default) 'priorboxes' that have jaccard index > threshold parameter(defa