神经网络判断奇偶数
拥有神经网络的深度学习比机器学习的一大特点是,深度学习的非线性转换能够实现一定程度上的特征提取和特征组合。但是,当你传入一批自然数进入模型中训练,想要预测奇偶性的时候,你会发现,这个任务有点难。但是,如果你将这些数值转为二进制的时候,这个任务又变得可行。可以看出,深度学习也需要我们做一下数据的预处理工作。当然,也侧边看出了神经网络并非万能。
论文Link:Understanding the Effective Receptive Field in Deep Convolutional Neural Networks
Code:https://github.com/sfzhang15/SFD
这篇人脸检测器论文依据感受野来设计anchor的大小。
在物体检测中,Anchor在每一层对应尺度该如何选择。
简介: beta分布可以看作一个概率的概率分布,描述所有概率出现的可能性大小。
举例: 手中有一枚硬币,该硬币均匀度未知,现在让你说出抛一次出现正面的概率是多少。通过以往的先验知识来判断,正面概率为0.5的这个情况的概率最大。
Faster R-CNN最突出的贡献就在于提出了Region Proposal Network(RPN)代替了Selective Search,从而将候选区域提取的时间开销几乎降为0(2s -> 0.01s)