NIN：Network in Network网络（NiN）作用是提高了CNN的局部感知区域（Bottleneck layer瓶颈层）1X1的卷积层，做降维度或升维度；他的核大小为1X1（深度待定义）降维例子：如输入为8X1X 1X5（输入核为8，输出核为5）意义：做特征的重新整合，如输入的8层比较稀疏，可输出5层比较密集的特征；降维为后续的卷积层做准备；

在SPPNet中，实际特征提取和区域分类是两个分离的步骤，利用ROI池化层来提取每个区域的特征，然后利用传统的SVM作为分类器对这些区域进行分类。Fast R-CNN相比SPPNet更进一步，不再使用SVM作为分类器，而是使用神经网络进行分类，这样就能同时训练特征提取网络和分类网络，比SPPNet取得更高准确度。Fast R-CNN网络结构如下图：    对于原始图中的...

本文转载自：引言卷积神经网络（CNN）已经普遍应用在计算机视觉领域，并且已经取得了不错的效果。图1为近几年来CNN在ImageNet竞赛的表现，可以看到为了追求分类准确度，模型深度越来越深，模型复杂度也越来越高，如深度残差网络（ResNet）其层数已经多达152层。 图1 CNN在ImageNet上的表现（来源：CVPR2017） 然而，在某些真实的应用场景如移动或者嵌入式设备，如此大而复杂的模型

2017 年 6 月， Google 公司开放了 TensorFlow Object Detection API 。 这 个项目使用 TensorFlow 实现了大多数深度学习目标检测框架，真中就包括Faster R-CNN。本系列文章将（1）先介绍如何安装 TensorFlow Object Detection API；Tensorflow Object Detection API安装...

这篇文章是看到其他博主 https://blog.csdn.net/youmumzcs/article/details/79657132 推荐的，个人感觉不错，比自己编译的界面看上去要舒服，推荐下：首先官网下载-精灵标注助手精灵标注助手目前支持Windows/Mac/Linux平台，大家根据自己的系统下载相对应的版本，Mac的话可以到MacStore中搜索colabeler下载即可。相比于Labe

本文是深度学习实战系列文章，主要是利用官网VGG 19层网络训练得到模型产生的weight和bias数值，对输入的任意一张图像进行前向训练，从而得到特征图。一. 代码以下是对应代码：# coding: utf-8import scipy.ioimport numpy as npimport osimport scipy.miscimport matplotlib.pyplot a...

Backbone适用数据类型核心设计亮点计算效率精度表现典型应用场景ResNet图像 / BEV 特征残差连接，经典 2D 特征提取中中图像辅助 3D 检测基准模型ResNetV1d图像 / BEV 特征优化 stem 层，减少信息损失中中高对细节敏感的图像 / BEV 特征提取ResNeXt图像 / BEV 特征分组卷积，增强特征交互中高高精度图像特征提取SSDVGG图像特征简化 VGG，多尺度

这篇文章是看到其他博主 https://blog.csdn.net/youmumzcs/article/details/79657132 推荐的，个人感觉不错，比自己编译的界面看上去要舒服，推荐下：首先官网下载-精灵标注助手精灵标注助手目前支持Windows/Mac/Linux平台，大家根据自己的系统下载相对应的版本，Mac的话可以到MacStore中搜索colabeler下载即可。相比于Labe

非线性曲线拟合，高博士给的demo主要用谷歌ceres库实现，高斯牛顿方式实现，g2o库实现，这三个程序例子。一.首先介绍ceres库安装与实现ceres库是谷歌开发的C++库，用于建模和解决复杂的优化问题的。能用于解决非线性最小二乘问题。ceres介绍ceres的官方安装链接：ceres安装文档进入以上链接，首先下载文件，可以用git，或者点击最新稳定发布版本下载：我下...

参考书籍：《视觉SLAM 14讲》代码： https://github.com/gaoxiang12/slambook 第1讲：前言；学习需具备的知识：>高等数学、线性代数、概率论>C++语言基础>Linux基础 SLAM 概念：Simultaneous Localization and Mapping 的缩写，中文译为：同时定位与地图构建...