Matconvnet中用于訓練imagenet的數據集沒有caffe中的準備得好。就得到一個訓練文件夾，一個測試文件夾，兩個txt索引，感覺不近人情，Anewmodelandthekinetics...quovadis，行為識別？N-ShotLearning:用最少的數據訓練最多的模型作者|HeetSankesara譯|田字一中(鄭州大學)和野調(江蘇科技大學)修訂|唐力和皮塔如果把AI比作電，那么數據就是創(chuàng)造電的煤。
聲明:基于YOLOv1按照CC4.0BYSA版權協(xié)議，YOLOv2和YOLO9000算法由JosephRedmon改進后于2017年在CVPR提出，并獲得最佳論文提名，重點解決YOLOv1在召回率和定位精度上的錯誤。YOLOv2在提出來的時候，在各種監(jiān)測數據集中的速度都比其他檢測系統(tǒng)快，在速度和精度上都能做到平衡。
與YOLOv1利用FC層直接預測邊界框坐標相比，YOLOv2借鑒了FSRCNN的思想，引入錨機制，利用KMeans聚類方法在訓練集中進行聚類，計算出更好的錨模板，利用卷積層的錨框運算增加區(qū)域建議的預測，并采用強約束定位方法，大大提高了算法的召回率。
YOLO(YouOnlyLookOnce)是一種基于深度神經網絡的物體識別定位算法。它最大的特點是運行速度非?？?，可以用于實時系統(tǒng)?，F在YOLO已經發(fā)展到v3版本，但是新版本也是在原版本的基礎上不斷改進和進化，所以本文首先分析YOLOv1版本。對于YOLOv2/YOLO9000的分析和理解，請移步YOLOv2/YOLO9000。
物體識別和定位可以看作是兩個任務:在圖片中找到物體存在的區(qū)域，然后識別哪個物體在該區(qū)域內。近年來，基于CNN卷積神經網絡的各種方法在物體識別(一幅圖片只包含一個物體，基本占據圖片的整個范圍)方面取得了很好的效果。所以要解決的主要問題是物體在哪里。最簡單的思路是遍歷圖片中所有可能的位置，地毯式搜索每個不同大小、不同長寬比、不同位置的區(qū)域，逐個檢測是否有物體，選擇概率最高的結果作為輸出。
3、如何理解計算機視覺損失函數?更多信息請看原文:計算機視覺是計算機科學中的一個領域，主要研究“數字圖像的自動信息提取”。在過去的十年中，深度學習的創(chuàng)新、大量數據的可用性和GPU($$)單元的可訪問性將計算機視覺領域推到了聚光燈下。它甚至在人臉驗證和手寫文本識別等任務中表現出超人的性能。(其實在航班登機過程中，自動人臉驗證的應用已經越來越普及。)近年來，計算機視覺領域在網絡結構、激活函數、損失函數等方面有了很多創(chuàng)新。
多年來，CNN的各種結構變體的發(fā)展帶來了驚人的進步...medium.com正如我在上一篇文章中討論的，損失函數在模型的性能中起著關鍵作用。選擇正確的損失函數可以幫助你的模型學會關注數據中正確的特征，從而獲得最好更快的收斂速度。你應該知道的損失函數常見損失函數Winner每個ML工程師都應該知道ML中流行的常見損失函數。了解它們的優(yōu)勢…medium.com本文總結了計算機視覺中一些重要的損失函數。
4、深度學習的數據集都是怎樣生成的Hello，genet網絡的預訓練模型訓練自己的數據集。好吧，首先是你自己的數據集。Matconvnet中用于訓練imagenet的數據集沒有caffe中的準備得好。就得到一個訓練文件夾，一個測試文件夾，兩個txt索引，感覺不近人情。稍后，我將把它的輸入改為這種人類類型的輸入格式。但是它的類別索引是從0開始的，這在matlab中是不一致的，所以我改成從1開始。
5、N-ShotLearning:用最少的數據訓練最多的模型作者|翻譯作者|HeetSankesara |修改作者一中(鄭州大學)和野釣(江蘇科技大學)|唐力和皮塔如果把AI比作電，那么數據就是創(chuàng)造電的煤。不幸的是，正如我們看到可用的煤炭是消耗品一樣，許多人工智能應用程序很少或沒有數據可訪問。新技術彌補了物質資源的不足；還需要新的技術來保證程序在數據很少的情況下正常運行。
6、[文獻翻譯]TemporalSegmentNetworks:TowardsGoodPracticesforDee...摘要:深度卷積網絡在靜止圖像的視覺識別方面取得了巨大的成功。然而，視頻中的運動識別與傳統(tǒng)方法相比，優(yōu)勢并不那么明顯。本文的目的是為視頻運動識別設計一個有效的ConvNet架構，并在有限的訓練樣本下學習這些模型。我們的第一個貢獻是時間分段網絡(TSN)，這是一個新的基于視頻的運動識別框架。這種結構基于遠程時間建模的思想。
另一個貢獻是我們研究了一系列借助時間切片網絡在視頻數據上學習ConvNet的實踐。我們的方法在HMDB 51 (69.4%)和UCF 101 (94.2%)的數據集上實現了SOTA，我們還可視化了ConvNet模型，證明了時間分段網絡和所提出方法的有效性。1引言基于視頻的運動識別因其在安防、行為分析等諸多領域的應用，引起了學術界的極大關注，動力學數據集的新模型和總結在現有的行為分類數據集(ucf 101和HMDB51)中，視頻數據的缺乏使得很難確定一個好的視頻結構，大多數方法在小規(guī)模數據集上取得了類似的結果。本文根據人類行為動力學重新評價這些高級結構，Kinetics有兩個數量級的數據，400種人類行為，每種行為都有超過400個片段，而這些都是從真實且具有挑戰(zhàn)性的YouTube視頻中收集的。
