Matconvnet中用于訓(xùn)練imagenet的數(shù)據(jù)集沒有caffe中的準(zhǔn)備得好。就得到一個(gè)訓(xùn)練文件夾，一個(gè)測(cè)試文件夾，兩個(gè)txt索引，感覺不近人情，Anewmodelandthekinetics...quovadis，行為識(shí)別？N-ShotLearning:用最少的數(shù)據(jù)訓(xùn)練最多的模型作者|HeetSankesara譯|田字一中(鄭州大學(xué))和野調(diào)(江蘇科技大學(xué))修訂|唐力和皮塔如果把AI比作電，那么數(shù)據(jù)就是創(chuàng)造電的煤。

聲明:基于YOLOv1按照CC4.0BYSA版權(quán)協(xié)議，YOLOv2和YOLO9000算法由JosephRedmon改進(jìn)后于2017年在CVPR提出，并獲得最佳論文提名，重點(diǎn)解決YOLOv1在召回率和定位精度上的錯(cuò)誤。YOLOv2在提出來(lái)的時(shí)候，在各種監(jiān)測(cè)數(shù)據(jù)集中的速度都比其他檢測(cè)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(yù)測(cè)邊界框坐標(biāo)相比，YOLOv2借鑒了FSRCNN的思想，引入錨機(jī)制，利用KMeans聚類方法在訓(xùn)練集中進(jìn)行聚類，計(jì)算出更好的錨模板，利用卷積層的錨框運(yùn)算增加區(qū)域建議的預(yù)測(cè)，并采用強(qiáng)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(jīng)網(wǎng)絡(luò)的物體識(shí)別定位算法。它最大的特點(diǎn)是運(yùn)行速度非?？欤梢杂糜趯?shí)時(shí)系統(tǒng)。現(xiàn)在YOLO已經(jīng)發(fā)展到v3版本，但是新版本也是在原版本的基礎(chǔ)上不斷改進(jìn)和進(jìn)化，所以本文首先分析YOLOv1版本。對(duì)于YOLOv2/YOLO9000的分析和理解，請(qǐng)移步Y(jié)OLOv2/YOLO9000。

物體識(shí)別和定位可以看作是兩個(gè)任務(wù):在圖片中找到物體存在的區(qū)域，然后識(shí)別哪個(gè)物體在該區(qū)域內(nèi)。近年來(lái)，基于CNN卷積神經(jīng)網(wǎng)絡(luò)的各種方法在物體識(shí)別(一幅圖片只包含一個(gè)物體，基本占據(jù)圖片的整個(gè)范圍)方面取得了很好的效果。所以要解決的主要問(wèn)題是物體在哪里。最簡(jiǎn)單的思路是遍歷圖片中所有可能的位置，地毯式搜索每個(gè)不同大小、不同長(zhǎng)寬比、不同位置的區(qū)域，逐個(gè)檢測(cè)是否有物體，選擇概率最高的結(jié)果作為輸出。

更多信息請(qǐng)看原文:計(jì)算機(jī)視覺是計(jì)算機(jī)科學(xué)中的一個(gè)領(lǐng)域，主要研究“數(shù)字圖像的自動(dòng)信息提取”。在過(guò)去的十年中，深度學(xué)習(xí)的創(chuàng)新、大量數(shù)據(jù)的可用性和GPU($$)單元的可訪問(wèn)性將計(jì)算機(jī)視覺領(lǐng)域推到了聚光燈下。它甚至在人臉驗(yàn)證和手寫文本識(shí)別等任務(wù)中表現(xiàn)出超人的性能。(其實(shí)在航班登機(jī)過(guò)程中，自動(dòng)人臉驗(yàn)證的應(yīng)用已經(jīng)越來(lái)越普及。)近年來(lái)，計(jì)算機(jī)視覺領(lǐng)域在網(wǎng)絡(luò)結(jié)構(gòu)、激活函數(shù)、損失函數(shù)等方面有了很多創(chuàng)新。

多年來(lái)，CNN的各種結(jié)構(gòu)變體的發(fā)展帶來(lái)了驚人的進(jìn)步...medium.com正如我在上一篇文章中討論的，損失函數(shù)在模型的性能中起著關(guān)鍵作用。選擇正確的損失函數(shù)可以幫助你的模型學(xué)會(huì)關(guān)注數(shù)據(jù)中正確的特征，從而獲得最好更快的收斂速度。你應(yīng)該知道的損失函數(shù)常見損失函數(shù)Winner每個(gè)ML工程師都應(yīng)該知道ML中流行的常見損失函數(shù)。了解它們的優(yōu)勢(shì)…medium.com本文總結(jié)了計(jì)算機(jī)視覺中一些重要的損失函數(shù)。

Hello，genet網(wǎng)絡(luò)的預(yù)訓(xùn)練模型訓(xùn)練自己的數(shù)據(jù)集。好吧，首先是你自己的數(shù)據(jù)集。Matconvnet中用于訓(xùn)練imagenet的數(shù)據(jù)集沒有caffe中的準(zhǔn)備得好。就得到一個(gè)訓(xùn)練文件夾，一個(gè)測(cè)試文件夾，兩個(gè)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。

作者|翻譯作者|HeetSankesara |修改作者一中(鄭州大學(xué))和野釣(江蘇科技大學(xué))|唐力和皮塔如果把AI比作電，那么數(shù)據(jù)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(yīng)用程序很少或沒有數(shù)據(jù)可訪問(wèn)。新技術(shù)彌補(bǔ)了物質(zhì)資源的不足；還需要新的技術(shù)來(lái)保證程序在數(shù)據(jù)很少的情況下正常運(yùn)行。

摘要:深度卷積網(wǎng)絡(luò)在靜止圖像的視覺識(shí)別方面取得了巨大的成功。然而，視頻中的運(yùn)動(dòng)識(shí)別與傳統(tǒng)方法相比，優(yōu)勢(shì)并不那么明顯。本文的目的是為視頻運(yùn)動(dòng)識(shí)別設(shè)計(jì)一個(gè)有效的ConvNet架構(gòu)，并在有限的訓(xùn)練樣本下學(xué)習(xí)這些模型。我們的第一個(gè)貢獻(xiàn)是時(shí)間分段網(wǎng)絡(luò)(TSN)，這是一個(gè)新的基于視頻的運(yùn)動(dòng)識(shí)別框架。這種結(jié)構(gòu)基于遠(yuǎn)程時(shí)間建模的思想。

另一個(gè)貢獻(xiàn)是我們研究了一系列借助時(shí)間切片網(wǎng)絡(luò)在視頻數(shù)據(jù)上學(xué)習(xí)ConvNet的實(shí)踐。我們的方法在HMDB 51 (69.4%)和UCF 101 (94.2%)的數(shù)據(jù)集上實(shí)現(xiàn)了SOTA，我們還可視化了ConvNet模型，證明了時(shí)間分段網(wǎng)絡(luò)和所提出方法的有效性。1引言基于視頻的運(yùn)動(dòng)識(shí)別因其在安防、行為分析等諸多領(lǐng)域的應(yīng)用，引起了學(xué)術(shù)界的極大關(guān)注，動(dòng)力學(xué)數(shù)據(jù)集的新模型和總結(jié)在現(xiàn)有的行為分類數(shù)據(jù)集(ucf 101和HMDB51)中，視頻數(shù)據(jù)的缺乏使得很難確定一個(gè)好的視頻結(jié)構(gòu)，大多數(shù)方法在小規(guī)模數(shù)據(jù)集上取得了類似的結(jié)果。本文根據(jù)人類行為動(dòng)力學(xué)重新評(píng)價(jià)這些高級(jí)結(jié)構(gòu)，Kinetics有兩個(gè)數(shù)量級(jí)的數(shù)據(jù)，400種人類行為，每種行為都有超過(guò)400個(gè)片段，而這些都是從真實(shí)且具有挑戰(zhàn)性的YouTube視頻中收集的。