专注Android 图形显示 多媒体
发简信
IP属地：浙江
-
OpenGL 计算着色器1.简介 计算着色器(Compute Shader)是一个特殊类型的着色器，其独立于OpenGL的图像渲染管道之外。他们被设计出用于充分利用图像处理器GPU的大规模并发计算能...
-
双流法 (Two-Stream) 以及 C3D卷积简介 双流法 以及 C3D 算是行为识别中比较经典也是比较基本的两种方法，一下就对这两种方法进行一个简单的记录。简单来说，其实双流法与C3D卷积网络所要处理的问题都是在一段视...
-
R-FCN 以及 FCN 的粗略理解简单来说 FCN 其实就是一个网络，它里面全部都是卷积层和池化层。那么对于，这样子的网络可以做什么呢？ 我们知道CNN对于一张图片的卷积提取特征到最后 feature map...
-
Faster RCNN 粗略理解Faster RCNN 简单来说，是将区域框的建议做成了一个可以训练的网络框架（RPN）。随后对RPN出来的结果来进行 Fast RCNN 的筛选。 RPN 网络如何做到建议...
-
MobileNets（v1）, SqueezeNetMobileNets MobileNets 总体来说是一个减少参数计算量的一个网络架构。并且提出了两个参数进行网络模型参数的缩减（其实就是两个比例来进行计算量的缩放，在【0,...
-
Joint Training of a Convolutional Network and aGraphical Model for Human Pose Estimation【解读】这是一篇14年的关于使用卷积神经网络框架做关节点热力图的一篇文章。该篇文章在以下方面进行了改进。【相较于改进，我们先要叙述一下不足的地方】 Multi-Resolution ...
-
DeepPose: Human Pose Estimation via Deep Neural Networks （解读）这是一篇比较经典的人体姿态识别的文章，以下简单介绍一下其重大的改进。整篇论文的基调在于一个关节点位置的回归，使用DNN对人体关节节点位置进行定位。因为CNN网络对于图像大小的...
-
古希腊神话的神谱【未乱搞世代】
最初的天神 卡俄斯 —— 卡俄斯是存在于宇宙形成之前的一片黑暗空间；它的形状不可描述，可以称为“混沌”； 欧律诺墨 —— 混沌中的女神，与自己用北风创造的大蛇俄菲翁结合； 柯...
-
古希腊神话中造人和神的过程
在太初茫茫之时，世界处于一种杂乱无语的“混沌”状态；太阳尚未出世，月亮也没诞生，大海、陆地、天空都糅杂在一块彼此不分。过了一阵子，天空与大地开始彼此冲突，冷热软硬彼此争斗分离...
-
LRN 和 BN 的区别 （补一个 LCN）LRN 与 BN 的区别： ==== LRN 首先，我们知道 LRN 首先是在 AlexNet 中首先，被定义，它的目的在于卷积（即 Relu 激活函数出来之后的）值进行局部...
-
【日】古事纪 - 记 叁
兔与鳄鱼 这个大国主神呢，有许多的兄弟（应该也是堂兄或者表兄弟吧），但是他的兄弟们都把自己的国土让给了大国主神（不是很懂他们的思想），更狗血的是，让国土的原因是在于，这些兄弟...
-
【日】古事纪 - 记 贰
祓除 伊邪那岐从黄泉回来之后，越发觉得自己身体不舒服。【精神洁癖，跟你上街踩了狗屎，就会觉得浑身不舒服】他就到了筑紫日向之桔小门之阿波岐原，举行祓除。（接下来就是各种的造神活...
-
【日】古事纪 - 记 壹别天神 神世七代 日本的神世七代的内容非常的奇怪，从第三代开始，每一代的神都是兄妹两人一起出现。【难道这就是日式妹控文化的起源？？】 日本岛的形成 当然在历史长河中，一个岛屿...
-
AP，Precision，Recall, mAP 之间的关系准确率(Accuracy), 精确率(Precision), 召回率(Recall) 和 F1-Measure ====举个栗子：假设我们手上有60个正样本，40个负样本，我...
-
SPPNet and Fast RCNN 粗略理解SPPNet 简单说一下 SPPNet 的操作，这个是通过你输入的size 来决定你最后pooling 层的 SizeX，SizeY, 以及它的 StrideX, Strid...
-
-
关于不同Batch_Size在LSTM训练与预测中使用（Keras框架）
博文内容借鉴： How to use Different Batch Sizes when Training and Predicting with LSTMs链接：http...
-
机器学习算法抽象层面解释【朴素贝叶斯，决策树】
朴素贝叶斯 重要知识点：【朴素贝叶斯的想法是每个特征都是相互独立，它们互不干涉，所以可以写成这样子的形式】【P(X| A,B ) = P (X | A) * P(X| B )...
