原创 C++ 目錄遍歷與文件拷貝
基於Boost庫，相關頭文件 #include <boost/algorithm/string.hpp> #include <boost/filesystem.hpp> #include <boost/xpressive/xpre
2020-02-25 07:05:40
2
原创 DenseNet模型
《Densely Connected Convolutional Networks》閱讀筆記 代碼地址：https://github.com/liuzhuang13/DenseNet 首先看一張圖： 稠密連接：每層以之前
2020-02-25 07:05:40
4
原创 R-CNN
《Rich feature hierarchies for accurate object detection and semantic segmentation》閱讀筆記 R-CNN：Regions with CNN featu
2020-02-25 07:05:40
原创 局部特徵與圖像檢索
Exploiting Local Features from Deep Networks for Image Retrieval 閱讀筆記 摘要 這篇⽂章發表在CVPR 2015 workshop上，是來⾃於馬⾥蘭⼤學帕克學院Jo
2020-02-25 07:05:40
原创 對C++函數指針的思考
在我原本的印象中，對於一個函數func，取其地址&func，和解引用*func，效果是一樣的。（這個結論在大部分情況下是對的） 引用一張圖: 但是今天我看《Boost程序庫完全開發指南》中的綁定函數（bind）部分，有一句話：
2020-02-25 07:05:40
原创 Iterative Reweighted Least Squares（IRLS）
IRLS （迭代重加權最小二乘）優化算法理解 最近在閱讀去模糊算法中，在估計模糊核過程中經常提到IRLS算法，決定好好理解一下！ 以下理解來自論文《Iterative Reweighted Least Squares》 對於線性方
2020-02-25 07:05:40
19
原创 2012-IJCV - Non-uniform deblurring for shaken images
項目地址：https://www.di.ens.fr/willow/research/deblurring/ 作者：Oliver Whyte 非一致性模糊 針對相機轉動提出新的模糊模型 將新模型代替卷積模型代入兩種去模糊算法框架
2020-02-25 07:05:40
1
原创 VGG 模型
《VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION》閱讀筆記 這篇論文從網絡深度方向研究得出這個結論： “ a deep net with sm
2020-02-25 07:05:40
原创 mAP的一點理解
mAP:全稱mean average precision(平均準確率)，信息檢索中常用的評價指標（可參考 信息檢索的評價指標(Precision, Recall, F-score, MAP) ）。 每一次檢索結果的好壞通過AP（a
2020-02-25 07:05:40
1
原创 數據增強相關總結
Data Augmentation是通過少量的計算從原始圖片變換得到新的訓練數據。 數據增強對最後的識別性能和泛化能力都有着非常重要的作用。我們使用下面這些數據增強方法： 第一，對顏色的數據增強，包括色彩的飽和度、亮度和
2020-02-25 07:05:40
原创 AlexNet模型
《ImageNet Classification with Deep Convolutional Neural Networks》閱讀筆記 一直在使用AlexNet，本來早應該讀這篇經典論文了。可能是這篇論文涉及到的理論有點多，
2020-02-25 07:05:40
原创 數據庫知識點總結
碼 碼是一個或多個屬性的集合。 超碼 是一個或多個屬性的集合，超碼中的這些屬性可以讓我們在一個實體集中唯一地標識一個實體。 候選碼 候選碼是極小的超碼集，也就是它的任意真子集都不是超碼，而他本身是超碼。 主碼 主碼是被選中用來在一
2019-09-08 08:19:15
原创 面試知識點總結2
決策樹怎麼解決迴歸問題? 切分點選擇：最小二乘法; 輸出值：單元內均值。 示意圖： 假設X和Y分別爲輸入和輸出變量，並且Y是連續變量，給定訓練數據集爲D={(x1,y1),(x2,y2),...,(xN,yN)}D=\left
2019-09-06 08:20:29
原创 面試知識點總結1
c++的行指針、列指針 卷積底層的實現方式（如caffe裏面的img2col） 推導邏輯迴歸的損失函數和梯度計算 sigmoid函數及其導數： h(x)=11−e−xh′(x)=h(x)⋅[1−h(x)]h(x)=\frac{
2019-09-05 08:37:00
原创 2019年面試經歷
網易遊戲 caffe 中的卷積是怎麼實現的。 只答了img2col函數，將卷積操作變成矩陣乘，具體如何變 沒答上來。 caffe 中最常用的數據類型是什麼？ Blob，存儲值和梯度。 VGG 相比AlexNet 改進了什
2019-08-23 08:28:52