最近看了一下BP神经网络(Backpropagation Neural Networks)，发现很多资料对于BP神经网络的讲解注重原理，而对于反向传播公式的推导介绍的比较简略，故自己根据《PATTERN RECOGNITION AND MACHINE LEARNING》这本书的思路推导了一下反向传播的过程，记录在这里，以便以后看。

文章目录类别损失Cross Entropy LossFocal Loss位置损失L1 LossL2 LossSmooth L1 LossIoU LossGIoU LossDIoU LossCIoU Loss一般的目标检测模型包含两类损失函数，一类是类别损失（分类），另一类是位置损失（回归）。这两类损失函数往往用于检测模型最后一部分，根据模型输出（类别和位置）和实际标注框（类别和位置）分别计算类别.

文章目录类别损失Cross Entropy LossFocal Loss位置损失L1 LossL2 LossSmooth L1 LossIoU LossGIoU LossDIoU LossCIoU Loss一般的目标检测模型包含两类损失函数，一类是类别损失（分类），另一类是位置损失（回归）。这两类损失函数往往用于检测模型最后一部分，根据模型输出（类别和位置）和实际标注框（类别和位置）分别计算类别.

QT + OpenCV +Ubuntu环境QT 5.9.xOpenCV 3.4Ubuntu 18.04步骤下载QT(官网)、OpenCV源码编译OpenCV(略)QT新建工程中修改pro文件# 增加的内容# 头文件包含路径INCLUDEPATH += /usr/local/include \/usr/local/include/open...

本文主要记录如何用MATLAB自带的GUI功能做一个绩点计算界面。并以此来简单介绍一下MATLAB GUI的使用过程。完整代码见：https://github.com/ZhouJiaHuan/compute-GPA-master启动guide工具箱guide是MATLAB用来制作GUI界面的工具性，我们只要在MATLAB命令窗口中输入命令guide即可打开GUI制作界面，如下图：...

最近开始学习深度学习中的定位和检测任务。本来打算直接看论文，却发现文章中的的很多基本概念都搞不清楚，于是就自己先梳理了一些定位和检测任务的基本概念。（内容主要来自斯坦福大学的CS231课程、吴恩达的deeplearning.ai卷积部分，这两门课程都可以在网易云课堂里找到汉化版）识别、定位、检测和分割识别和定位：针对单个目标的任务，识别就是给定一张图片，要让计算机告诉你图片中是什么。而

交并比（Intersection over Union）和非极大值抑制是（Non-Maximum Suppression）是目标检测任务中非常重要的两个概念。例如在用训练好的模型进行测试时，网络会预测出一系列的候选框。这时候我们会用NMS来移除一些多余的候选框。即移除一些IOU值大于某个阈值的框。然后在剩下的候选框中，分别计算与ground truth的IOU值，通常会规定当候选框和ground

论文原文链接： https://www.ncbi.nlm.nih.gov/pubmed/26656583R-CNN作为把深度学习用在目标检测任务上的开篇之作，于2014年被CVPR接收。虽然现在看来R-CNN的精度和速度已经略显不足，但文中提出的很多思想，包括后续提出的Fast R-CNN和Faster R-CNN,一直被目标检测领域的论文沿用。摘要目标检测在权威的PASCAL V...

在学习HOG特征的时候，发现一片英文文章讲得浅显易懂。因此翻译在这里学习。(文中的图片均来自翻译原文)原文链接：Histogram of Oriented Gradients什么是特征描述子特征描述子一张图片或者一个图片块的一种表示，通过提取有用信息并扔掉多余的信息来简化图像。通常，特征描述子将一张大小为width×height×3 (通道数)的图片化成一个长度为n的特征向量/...

前言第一次看ResNet论文的时候，由于刚接触深度学习不久，对ResNet的理解仅仅停留在论文中阐述的一些基本思想。加上当时实验室的硬件条件很有限，用的模型基本上以AlexNet和VGG为主，并没有在学习中使用过ResNet。因此忽略了论文中提出的几种典型ResNet网络。一直到工作后，才发现ResNet的几种典型结构在诸多计算机视觉任务中都充当着非常重要的角色，因此很有必要更细致地了解一下Res