YOLO 算法（Putting it together: YOLO algorithm） 你們已經(jīng)學(xué)到對(duì)象檢測(cè)算法的大部分組件了，在這個(gè)筆記里，我們會(huì)把所有組件組裝在一起構(gòu)成...
發(fā)簡(jiǎn)信
IP屬地：海南
-
吳恩達(dá)深度學(xué)習(xí)筆記(100)-目標(biāo)檢測(cè)之YOLO 算法講解
-
吳恩達(dá)深度學(xué)習(xí)筆記(99)-目標(biāo)檢測(cè)之Anchor Boxes
Anchor Boxes 到目前為止，對(duì)象檢測(cè)中存在的一個(gè)問(wèn)題是每個(gè)格子只能檢測(cè)出一個(gè)對(duì)象，如果你想讓一個(gè)格子檢測(cè)出多個(gè)對(duì)象，你可以這么做，就是使用anchor box這個(gè)概...
-
吳恩達(dá)深度學(xué)習(xí)筆記(98)-目標(biāo)檢測(cè)之NMS非極大值抑制11
非極大值抑制（Non-max suppression） 到目前為止你們學(xué)到的對(duì)象檢測(cè)中的一個(gè)問(wèn)題是，你的算法可能對(duì)同一個(gè)對(duì)象做出多次檢測(cè)，所以算法不是對(duì)某個(gè)對(duì)象檢測(cè)出一次，而...
-
吳恩達(dá)深度學(xué)習(xí)筆記(97)-目標(biāo)檢測(cè)之IOU交并比
交并比（Intersection over union） 你如何判斷對(duì)象檢測(cè)算法運(yùn)作良好呢？在本筆記中，你將了解到并交比函數(shù)，可以用來(lái)評(píng)價(jià)對(duì)象檢測(cè)算法。在下一個(gè)筆記中，我們用...
-
吳恩達(dá)深度學(xué)習(xí)筆記(96)-目標(biāo)檢測(cè)之Bounding Box預(yù)測(cè)
Bounding Box預(yù)測(cè)（Bounding box predictions） 在上一篇筆記中，你們學(xué)到了滑動(dòng)窗口法的卷積實(shí)現(xiàn)，這個(gè)算法效率更高，但仍然存在問(wèn)題，不能輸出最...
-
吳恩達(dá)深度學(xué)習(xí)筆記(95)-目標(biāo)檢測(cè)之卷積網(wǎng)絡(luò)滑動(dòng)窗口實(shí)現(xiàn)
卷積的滑動(dòng)窗口實(shí)現(xiàn)（Convolutional implementation of sliding windows） 上節(jié)筆記，我們學(xué)習(xí)了如何通過(guò)卷積網(wǎng)絡(luò)實(shí)現(xiàn)滑動(dòng)窗口對(duì)象檢測(cè)...
-
吳恩達(dá)深度學(xué)習(xí)筆記(94)-目標(biāo)檢測(cè)之檢測(cè)算法
目標(biāo)檢測(cè)（Object detection） 學(xué)過(guò)了對(duì)象定位和特征點(diǎn)檢測(cè)，今天我們來(lái)構(gòu)建一個(gè)對(duì)象檢測(cè)算法。這節(jié)課，我們將學(xué)習(xí)如何通過(guò)卷積網(wǎng)絡(luò)進(jìn)行對(duì)象檢測(cè)，采用的是基于滑動(dòng)窗口...
-
吳恩達(dá)深度學(xué)習(xí)筆記(93)-目標(biāo)檢測(cè)之特征點(diǎn)檢測(cè)
特征點(diǎn)檢測(cè)（Landmark detection） 上節(jié)課，我們講了如何利用神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)象定位，即通過(guò)輸出四個(gè)參數(shù)值b_x、b_y、b_h和b_w給出圖片中對(duì)象的邊界框。更...
-
吳恩達(dá)深度學(xué)習(xí)筆記(92)-目標(biāo)檢測(cè)之目標(biāo)定位
這一周我們學(xué)習(xí)的主要內(nèi)容是對(duì)象檢測(cè)，它是計(jì)算機(jī)視覺(jué)領(lǐng)域中一個(gè)新興的應(yīng)用方向，相比前兩年，它的性能越來(lái)越好。在構(gòu)建對(duì)象檢測(cè)之前，我們先了解一下對(duì)象定位，首先我們看看它的定義。 ...
-
吳恩達(dá)深度學(xué)習(xí)筆記(91)-帶你了解計(jì)算機(jī)視覺(jué)現(xiàn)狀
計(jì)算機(jī)視覺(jué)現(xiàn)狀（The state of computer vision） 深度學(xué)習(xí)已經(jīng)成功地應(yīng)用于計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理、語(yǔ)音識(shí)別、在線廣告、物流還有其他許多問(wèn)題。 在計(jì)...
-
吳恩達(dá)深度學(xué)習(xí)筆記(90)-數(shù)據(jù)擴(kuò)充（Data augmentation）
數(shù)據(jù)擴(kuò)充（Data augmentation） 大部分的計(jì)算機(jī)視覺(jué)任務(wù)使用很多的數(shù)據(jù)，所以數(shù)據(jù)擴(kuò)充是經(jīng)常使用的一種技巧來(lái)提高計(jì)算機(jī)視覺(jué)系統(tǒng)的表現(xiàn)。我認(rèn)為計(jì)算機(jī)視覺(jué)是一個(gè)相當(dāng)復(fù)...
-
吳恩達(dá)深度學(xué)習(xí)筆記(89)-遷移學(xué)習(xí)（Transfer Learning）
遷移學(xué)習(xí)（Transfer Learning） 如果你要做一個(gè)計(jì)算機(jī)視覺(jué)的應(yīng)用，相比于從頭訓(xùn)練權(quán)重，或者說(shuō)從隨機(jī)初始化權(quán)重開始，如果你下載別人已經(jīng)訓(xùn)練好網(wǎng)絡(luò)結(jié)構(gòu)的權(quán)重，你通常...
-
吳恩達(dá)深度學(xué)習(xí)筆記(88)-谷歌 Inception 網(wǎng)絡(luò)簡(jiǎn)介Inception(2)
Inception 網(wǎng)絡(luò)（Inception network） 在上節(jié)筆記中，你已經(jīng)見到了所有的Inception網(wǎng)絡(luò)基礎(chǔ)模塊。在本節(jié)筆記中，我們將學(xué)習(xí)如何將這些模塊組合起來(lái)...
-
吳恩達(dá)深度學(xué)習(xí)筆記(87)-谷歌 Inception 網(wǎng)絡(luò)簡(jiǎn)介Inception(1)
谷歌 Inception 網(wǎng)絡(luò)簡(jiǎn)介（Inception network motivation） 構(gòu)建卷積層時(shí)，你要決定過(guò)濾器的大小究竟是1×1，3×3還是5×5，或者要不要添...
-
吳恩達(dá)深度學(xué)習(xí)筆記(86)-1×1 卷積講解
網(wǎng)絡(luò)中的網(wǎng)絡(luò)以及 1×1 卷積（Network in Network and 1×1 convolutions） 在架構(gòu)內(nèi)容設(shè)計(jì)方面，其中一個(gè)比較有幫助的想法是使用1×1卷積...
-
吳恩達(dá)深度學(xué)習(xí)筆記(85)-殘差網(wǎng)絡(luò)為什么起作用？
殘差網(wǎng)絡(luò)為什么有用？（Why ResNets work?） 為什么ResNets能有如此好的表現(xiàn)，我們來(lái)看個(gè)例子，它解釋了其中的原因，至少可以說(shuō)明，如何構(gòu)建更深層次的ResN...
-
吳恩達(dá)深度學(xué)習(xí)筆記(84)-殘差網(wǎng)絡(luò)講解 (ResNets)
殘差網(wǎng)絡(luò)（Residual Networks (ResNets)） 非常非常深的神經(jīng)網(wǎng)絡(luò)是很難訓(xùn)練的，非常非常深的神經(jīng)網(wǎng)絡(luò)是很難訓(xùn)練的，非常非常深的神經(jīng)網(wǎng)絡(luò)是很難訓(xùn)練的，記住...
-
吳恩達(dá)深度學(xué)習(xí)筆記(83)-LeNet-5、AlexNet和VGGNet網(wǎng)絡(luò)知多少
經(jīng)典網(wǎng)絡(luò)（Classic networks） 這節(jié)課，我們來(lái)學(xué)習(xí)幾個(gè)經(jīng)典的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，分別是LeNet-5、AlexNet和VGGNet。 LeNet-5 首先看看LeNe...
-
吳恩達(dá)深度學(xué)習(xí)筆記(82)-深度卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展史
為什么要探索發(fā)展史(實(shí)例分析)？ 我們首先來(lái)看看一些卷積神經(jīng)網(wǎng)絡(luò)的實(shí)例分析，為什么要看這些實(shí)例分析呢？ 上周我們講了基本構(gòu)建，比如卷積層、池化層以及全連接層這些組件。 事實(shí)上...