每三天看一篇论文,写成不低于50字的总结 每天上传任务以及任务完成情况 添加idea模块,上传可用的idea
完成ctpn的回归部分
完成ctpn的回归部分
在多尺度上能不能做出突破
完成ctpn的最终版本
完成ctpn的回归部分
完成倾斜长方形的回归loss,但是incident数据集是不规则长方形.如何将不规则长方形回归到倾斜长方形。或者更进一步完成倾斜平行四边形 完成incident数据集的导入解析 需要为这个自动设计文本线构造
- 之前尝试在score map上根据字的连续性假设,加入连续性loss.在特征图上表现的更聚集,但是效果一般
- 能不能再加入box regress上的连续性假设?,保持相邻的regress有相同的回归值
- 二次回归,即执行两次回归。
- 梯度的学习导流.即sum的导数流向v1,v2,v3,自动学习权重学习在v1,v2,v3之间的梯度分配
- deformable conv and deformable pool
End to end
完成倾斜 倾斜的nms和文本线构造需要重写,traintodata还没写完,发现label转换的代码运行时间过长. 先放弃倾斜的文本,专门打coco比赛
端对端检测识别,需要nms可训练,如何把nms放在卷积层里面
完成了conloss,regloss,前二层mask.但是代码好像有问题,没有feed mask,明天去看一下
用gather选取score>0.7的,用lstm完成nms算法。lstm先编码所有的anchor,然后解码成目标box
BN
看了tensorflow 自定义op怎么写,初步完成了多batch
基于深度学习的目标检测算法综述(二)(分享自知乎网)https://zhuanlan.zhihu.com/p/40020809?utm_source=qq&utm_medium=social&utm_oi=50987419041792
我的手机 2018/7/23 星期一 下午 11:54:13
关于感受野的总结(分享自知乎网)https://zhuanlan.zhihu.com/p/40267131?utm_source=qq&utm_medium=social&utm_oi=50987419041792
我的手机 2018/7/27 星期五 下午 6:13:23
量子位 - 汤晓鸥为CNN搓了一颗大力丸(分享自知乎网)https://zhuanlan.zhihu.com/p/40681613?utm_source=qq&utm_medium=social&utm_oi=50987419041792
我的手机 2018/7/31 星期二 下午 10:22:18
二次回归,直接用scoremap和redress map再次回归出正确的掩码
我的手机 2018/7/31 星期二 下午 10:22:19
用nms算法构造lstm的输出label
我的手机 2018/7/31 星期二 下午 10:22:19
集成,深度,重复思考
我的手机 2018/7/31 星期二 下午 10:22:19
多个anchor不就是集成方法吗?
我的手机 2018/7/31 星期二 下午 10:22:19
加强感受野位置的编码
我的手机 2018/7/31 星期二 下午 10:22:19
对hard区域进行掩码再训练
我的手机 2018/7/31 星期二 下午 10:22:19
怎么在神经网络中加入联想机制
我的手机 2018/7/31 星期二 下午 10:22:19
联想和记忆
我的手机 2018/7/31 星期二 下午 10:22:19
densenet
我的手机 2018/7/31 星期二 下午 10:22:20
趋同性的loss其实很难说学到了位置的相关性。因为相邻卷积模板是相同的。在预测时,并未获得两个点是否是相邻的信息,所以也无法趋同。但是这个loss确实有效果,我猜更多的是模板内秉的性质即放松了特征的差距,而非推理的性质
我的手机 2018/7/31 星期二 下午 10:22:20
怎样在卷积网络中实现仿射变换
我的手机 2018/7/31 星期二 下午 10:22:20
如果把二维坐标做为两层输进去,会怎么样
我的手机 2018/7/31 星期二 下午 10:22:20
本质上,检测就是输出一个掩码。从理论上来讲score map就是掩码。但是score map学习的不好。所以需要另外的loss box来进一步确定。从这个角度来讲都是基于投票,与集成方法相同
我的手机 2018/7/31 星期二 下午 10:22:20
只不过box回归加入了更强的长方形假设
我的手机 2018/7/31 星期二 下午 10:22:20
dialated convolutions
我的手机 2018/7/31 星期二 下午 10:22:20
它们的区别是什么?
我的手机 2018/7/31 星期二 下午 10:22:20
lstm在二维上无法体现二维的空间距离信息
我的手机 2018/7/31 星期二 下午 10:22:21
能不能借用bn的**,对图像做某种校正,然后再还原
我的手机 2018/7/31 星期二 下午 10:22:21
多层掩码。即输出多个掩码层,对一个图像进行多次掩码,形成多个图像再次输入到第一层中
我的手机 2018/7/31 星期二 下午 10:22:21
本质上在用卷积学习nms
我的手机 2018/7/31 星期二 下午 10:22:21
特征提取,推理
我的手机 2018/7/31 星期二 下午 10:22:21
语义分割中,稀疏卷积核的使用
我的手机 2018/7/31 星期二 下午 10:22:21
两种方法加强泛性。一种将图像变换到统一的范式,第二种将图像进行联想变形,作为额外的数据集训练。从某种角度来看这两种方法差不多。第三种方法是二次思考
我的手机 2018/7/31 星期二 下午 10:22:21
机器之心 - 循环神经网络不需要训练?复现「世界模型」的新发现(分享自知乎网)https://zhuanlan.zhihu.com/p/38744193?utm_source=qq&utm_medium=social&utm_oi=50987419041792
在对图像进行多层掩码时,如何将一张图像掩码成多张图像?学习到的掩码怎么变换
进一步学习tensorflow自定义op.想把DatatoTrain变成自定义op,发现实现很困难,主要难在选取固定的正负样本个数上。这份代码可以用cpython和cuda编写。速度应该可以快很多
1.学习应该池化到什么程度。对每一层池化都输出回归。然后最后学习一个池化权重。在训练时,用权重分配每一层池化结果。在预测时,用权重去分配每一层池化结果,在所有的池化结果上用nms 2.还是二次思考的问题。二次思考表现为两种形式.第一种,用固定的卷积学习新的卷积,再对图像进行卷积.第二种,用固定的卷积学习图像的变形,以适配下一个卷积.一个是学习新的卷积,一个是学习新的图像
###论文 ###任务 完成了掩码的收敛,通过加入edge的loss和mask map 0 1相对比的loss,控制了掩码收敛 ###idea 我的手机 2018/8/9 星期四 20:59:36 确定nms算法最后保留的框对应的特征图的结点 我的手机 2018/8/9 星期四 20:59:37 对卷积模板进行翻转,旋转形成更多的卷积模板进行学习 我的手机 20:59:38 来告诉底层模板应该对什么感兴趣,描绘一个目标 我的手机 20:59:38 好都越好,坏者越坏。卷积模板之间的竞争 我的手机 20:59:38 AI前沿研究 - UCL等提出完全可微自适应神经树:神经网络与决策树完美结合(分享自知乎网)https://zhuanlan.zhihu.com/p/40976044?utm_source=qq&utm_medium=social&utm_oi=50987419041792 我的手机 20:59:38 将识字的信念梯度回流到score map 上 我的手机 20:59:39 Hinton反思新作:我说反向传播不好,但还是没谁能颠覆它。(分享自知乎网)https://zhuanlan.zhihu.com/p/40012254?utm_source=qq&utm_medium=social&utm_oi=50987419041792 我的手机 20:59:39 控制底层模板学习的积极性 我的手机 20:59:39 图像边缘锐化,将边缘检测图加入原图像 我的手机 20:59:39 关于掩码,换种思路。不学习文字,学习背景。背景的激活。不是背景的不激活。然后反转作为掩码。这跟证明题中证明补集很相似 我的手机 20:59:39 一个是通过loss控制卷积模板学习边缘 我的手机 20:59:39 控制模板学习的针对性 我的手机 20:59:39 监督网络就是loss网络。loss就是监督教师。设计loss时要充分考虑loss的学习目的,loss的影响目标 我的手机 20:59:40 关于二阶段目标检测,二阶段的梯度流回一阶段梯度的问题。 我的手机 20:59:40 调动卷积模板学习的积极性,消除无用模板 我的手机 20:59:40 更简单的,自动学习每个模板的重要性权重,然后加权。实际上多个卷积模板,随机初始化,是典型的广撒网,多点初始化。来消除局部最小。所以相当一部分模板学不到什么有用东西。 我的手机 20:59:40 图像简化,形成多简单特征,学习众多特征推理组合特征。对组合特征进行反解,判断是否有目标特征 我的手机 20:59:40 加入了gradient stop机制 我的手机 20:59:40 根据今天训练边缘图的经验,relu的输出可以无限大,在最终的label输出端用relu激活很不容易收敛,所以需要softmax。在边框回归时,真实label应当取倒数,网络输出端压缩到1以下 我的手机 20:59:41 然后用信心对多个loss集成 我的手机 20:59:41 尤其是多loss。网络很容易被某些非主要目的loss引入歧途。充分警惕那些非主要学习目标的loss 我的手机 20:59:41 增强图像的边缘信息 我的手机 20:59:41 最前沿:Meta Learning前沿进展扫描(分享自知乎网)https://zhuanlan.zhihu.com/p/40600485?utm_source=qq&utm_medium=social&utm_oi=50987419041792 我的手机 20:59:41 将score map与底层进行对比的loss 我的手机 20:59:41 今天验证了regconloss的梯度不能传到训练层 我的手机 20:59:41 信心等于gt减去实际预测的值 我的手机 20:59:41 竟争机制 我的手机 20:59:41 训练的不稳定性。y是x的函数。如果x和y都有loss学习,那么x的波动会导致y不能学习,y的波动导致x的学习效率低下 我的手机 20:59:42 通过将place holder赋值给variable来获取图像梯度,反推出重要像素 我的手机 20:59:42 学习边框回归准确率的信心 我的手机 20:59:42 一个是对图像进行边缘精确化 我的手机 20:59:43 【目标检测和目标跟踪有什么现成的标注工具?】XZH.小章鱼:… https://www.zhihu.com/question/56725870/answer/270425563?utm_source=qq&utm_medium=social&utm_oi=50987419041792 (分享自知乎网) 我的手机 20:59:43 其实就是学习loss的loss 我的手机 20:59:43 多深度的loss的学习,必须保证低深度的不振荡,高深度的才能学习