本文翻译论文为深度学习经典模型之一：GoogLeNet（Inception-v1）论文链接：http://arxiv.org/abs/1409.4842摘要：本文提出深度卷积网络结构，称之为Inception，该网络结构的重要特点是充分利用有限的计算资源。在计算代价不增加的情况下，通过增加网络的深度和宽度来提升网络的效果。为了得到最优的网络性能，网络的设计是基于 "Hebbian pri...

本文翻译论文为深度学习经典模型之一：FCN论文链接：https://arxiv.org/pdf/1411.4038.pdf摘要：卷积网络是非常优秀的视觉模型，可以产生不同层次的特征。本文结果表明，像素到像素、端到端的卷积网络超过经典的语义分割基准。我们主要的贡献在于建立全卷积网络（fully convolutional networks）：输入任意尺寸的图像，可以得到相应大小的输出分类图像...

1、系统环境  Window，Ubuntu系统安装，软件安装等， 待更新。。。。2、 基础软件  对于基于 Python 的开发环境，我基本是用 Anaconda+Pycharm（或者VSCode）的软件组合，其中 Anaconda 作为 Python 软件包管理软件， Anaconda+Pycharm（或者VSCode）作为 Python 集成开发软件。注意，本篇博文主要介绍深度学习开发环境的安

本文翻译论文为深度学习经典模型系列：DeepLab-V1论文链接：https://arxiv.org/pdf/1412.7062.pdf摘要：深度卷积网络（DCNNs）在高层次（high level）视觉任务中表现突出，比如图像分类和目标检测。本文结合DCNNs和概率图模型，解决像素级分类任务（semantic image segmentation）。实验发现，DCNNs最后一层的输出特征...

摘要：本文中，我们将进一步研究空洞卷积，一个可以明确调整卷积核感受野和控制DCNN输出特征图的分辨率的强有力工具，并被广泛应用在图像语义分割任务。为了解决多尺度目标的分割问题，我们设计通过采用多个级联或者并行的空洞卷积模块，每一个模块中的空洞卷积采样率不一样。更进一步，我们继续讨论了之前讨论的ASPP模块，可以获取多尺度目标特征，通过与图像层级的特征来获取全局信息，最终得到更好的表现。我们给出了具

1、系统环境  Window，Ubuntu系统安装，软件安装等， 待更新。。。。2、 基础软件  对于基于 Python 的开发环境，我基本是用 Anaconda+Pycharm（或者VSCode）的软件组合，其中 Anaconda 作为 Python 软件包管理软件， Anaconda+Pycharm（或者VSCode）作为 Python 集成开发软件。注意，本篇博文主要介绍深度学习开发环境的安

摘要：本文我们使用深度学习的方法解决语义分割的相关问题，我们作了三个主要贡献，并且都很有实用价值。首先，我们设计的空洞卷积非常适合稠密预测任务。借助空洞卷积（Atrous Convolution），我们可以有效控制输出特征图的分辨率。不仅如此，我们可以有效增大卷积核的感受野（field of view），并且不会增加参数量和计算代价。其次，我们提出带空洞的空间金字塔池化（ASPP）模块，通过不同的

学习目标凸性缺陷（convexity defects）以及如何寻找寻找距离多边形最近的点匹配不同的形状理论和代码1. 凸性缺陷（Convexity Defects）我们之前学习过凸包的相关知识。对象的任何关于凸包（hull）的偏差可以认为是凸性缺陷。OpenCV中，有相应的函数可以得到凸性缺陷，cv2.convexityDefects()，基本的用法如下：hull = cv2.convexHull

分类问题中的损失函数  分类问题的损失函数通常使用交叉熵损失函数（cross-entropy），tensorflow 中可供选择的分类损失函数有4种，具体的介绍和应用，参考我在YOLO中损失函数的详细介绍，YOLO-V3代码解析系列（五） —— 损失函数（yolov3.py）.为何使用交叉熵作为分类问题的损失函数？后面持续补充中。。。。参考链接为什么使用交叉熵损失，而不是均方差损失？分类问题为什么

摘要：本文中，我们将进一步研究空洞卷积，一个可以明确调整卷积核感受野和控制DCNN输出特征图的分辨率的强有力工具，并被广泛应用在图像语义分割任务。为了解决多尺度目标的分割问题，我们设计通过采用多个级联或者并行的空洞卷积模块，每一个模块中的空洞卷积采样率不一样。更进一步，我们继续讨论了之前讨论的ASPP模块，可以获取多尺度目标特征，通过与图像层级的特征来获取全局信息，最终得到更好的表现。我们给出了具