精华内容
下载资源
问答
  • 网络摄像头 抓拍 人脸检测

    千次阅读 2019-07-14 14:26:14
    我主要是用来人脸检测,然后把数据发送到服务器,用来人脸识别1:n,速度需要快,我们用在门禁上,不然自动门开的时候会,效果不好 主要说下主要要点,抓拍 1、海康抓怕有两种方式,第一种普通的抓图,速度...

         网络摄像头用过海康和大华,其他的品牌没调试过,海康和大华流程基本都一样,windows我用的是C#,用的是海康摄像头,Android用过大华摄像头

        我主要是用来人脸检测,然后把数据发送到服务器,用来人脸识别1:n,速度需要快,我们用在门禁上,不然自动门开的时候会慢,效果不好

        主要说下主要要点,抓拍

       1、海康抓怕有两种方式,第一种普通的抓图,速度应该是在500ms,第二种视频流的抓图,比较快,一帧应该是在10ms下,硬盘有要求,最好用固态硬盘,因为抓拍快,可能会失败,也可以把byte数组发送到服务器,就不用保存文件了

       2、还有最好不要存图,还有一种方式,好像是PlayCtrl.PlayM4_GetBMP,一帧5ms,我用的人脸检测是用的虹软算法,每帧50-80ms,人脸识别是买的算法

      3、还有如果多路摄像头,对cpu有点要求,我用过3路,目前还行问题不大,如果多路太多,只能减少帧(人脸检测) 

      最近进展:发现amd2600下,可以带好多路,之前的时候3路cpu就占了60%,四路没压力,当时有vs2017等等其他ide都没什么压力,最近沟通了下海康人脸识别网络摄像头,本来以为是一个自定义接口可以推送我的服务器,可以省掉一个前端电脑,发现人脸识别还是通过sdk获取数据,因为没试过,所以不知道速度怎么样

        一起沟通下  Q  601209821

       https://download.csdn.net/download/shan1021/12515426  有时间限制

    展开全文
  • WIN7开机网络识别问题

    千次阅读 2011-06-10 23:57:00
    我用win7 64位旗舰版一段时间发现每次开机 网络识别好 大概有3分钟以上网上找了一下,都说什么把IP设固定、DNS之类--我的笔记本公司和家都用不同的IP,设不到固定的。而且这也不是真正的根源所在! 后来记起...

    我用win7 64位旗舰版

    一段时间发现每次开机 网络识别好慢  大概有3分钟以上

    网上找了一下,都说什么把IP设固定、DNS之类--我的笔记本公司和家都用不同的IP,设不到固定的。

    而且这也不是真正的根源所在!

     

    后来记起之前用了360的优化--

    死360禁了一些重要的系统服务(IPHELPer、Network Connections、Remote Access Connection Manager、还有几个)

     

    把这些服务开起来就识别非常快了,进到桌面基本马上可以上网^O^

    展开全文
  • 神经网络图像各系列检测网络总结

    千次阅读 2018-08-07 14:49:52
    目录 相关背景 从传统方法到R-CNN 从R-CNN到SPP Fast R-CNN Faster R-CNN ... 14年以来的目标检测方法(以R-CNN框架为基础或对其改进)   各方法性能对比 分类...

     

    目录

    • 相关背景

    • 从传统方法到R-CNN

    • 从R-CNN到SPP

    • Fast R-CNN

    • Faster R-CNN

    • YOLO

    • SSD

    • 总结

    • 参考文献

    • 推荐链接

     


     

    相关背景

    • 14年以来的目标检测方法(以R-CNN框架为基础或对其改进)

     

    • 各方法性能对比

    • 分类,定位,检测三种视觉任务的简单对比

    • 一般的目标检测方法

    从传统方法到R-CNN

    • R-CNN的三大步骤:得到候选区域,用cnn提取特征,训练分类器(后两步放在一个网络中,用softmax做分类器也可以)

    从R-CNN到SPP

    • R-CNN必须限制输入图像大小(全连接层要求)

    • SPP的两大优势:可变输入大小 + 各patch块之间卷积计算是共享的

    • SPP的缺陷:multi-stage,训练和测试都比较慢

    Fast R-CNN

    • Fast R-CNN通过ROI pooling(一层的SPP),multi-task等改进大大提高速度

    • Fast R-CNN的优势与弱势

    Faster R-CNN

    • Faster R-CNN对于Fast R-CNN的改进在于把region proposal的步骤换成一个CNN网络(RPN)

    • Faster R-CNN的两个base model: ZF,VGG16 (base model的中间conv输出即为要输入到RPN的那个feature map)

    • Faster R-CNN的锚点anchor box

    • Faster R-CNN的损失函数

    • Faster R-CNN的四步训练

    YOLO

    • 从Faster R-CNN到YOLO

    • YOLO的pipeline

    • YOLO的网络结构

    • YOLO的模型(最右图为网络输出的tensor)

    • YOLO的损失函数

    • YOLO的优势和劣势

    SSD

    • SSD的pipeline和关键技术

    • SSD的网络结构

    • SSD的多尺度特征图

    • SSD的default box

    • SSD的default box与faster r-cnn的anchor box的对比

    • SSD的训练样本与groundTruth的匹配策略 + 损失函数

    • SSD的default box和尺度选择

    总结

    • 从R-CNN → SPP → Fast R-CNN → Faster R-CNN → YOLO → SSD整体在准确率和速度上都在提高


     

    参考文献

    • R-CNN

        • Girshick, R., Donahue, J., Darrell, T., Malik, J.: Rich feature hierarchies for accurate object detection and semantic segmentation. In: CVPR. (2014)
    • SPP

        • He, K., Zhang, X., Ren, S., Sun, J.: Spatial pyramid pooling in deep convolutional networks for visual recognition. In: ECCV. (2014)
    • Fast R-CNN

        • Girshick, R.: Fast R-CNN. In: ICCV. (2015)
    • Faster R-CNN

        • Ren, S., He, K., Girshick, R., Sun, J.: Faster R-CNN: Towards real-time object detection with region proposal networks. In: NIPS. (2015)
    • YOLO

        • Redmon, J., Divvala, S., Girshick, R., Farhadi, A.: You only look once: Unified, real-time object detection. In: CVPR. (2016)
    • SSD

        • W. Liu, D. Anguelov, D. Erhan, C. Szegedy, and S. Reed. SSD: Single shot multibox detector. arXiv:1512.02325v2, 2015

     

     


    推荐链接

    • Object detection methods (codes)

        • https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html#r-cnn
    • 所有目标检测方法的中文总结(博客)

        • http://46aae4d1e2371e4aa769798941cef698.devproxy.yunshipei.com/cosmosshadow/article/details/50244715
        • http://www.cnblogs.com/venus024/p/5717766.html
    • Faster RCNN的论文阅读

        • http://www.voidcn.com/blog/sloanqin/article/p-5994844.html
    • YOLO的论文阅读

        • http://blog.csdn.net/tangwei2014/article/details/50915317
        • http://blog.csdn.net/cv_family_z/article/details/46803421
    • R-FCN的论文阅读

        • http://blog.csdn.net/u011534057/article/details/52733823
    • SSD的论文阅读

        • http://www.aichengxu.com/view/24600342
        • http://m.2cto.com/kf/201609/549802.html
        • http://www.itdadao.com/articles/c15a476096p0.html
        • http://blog.csdn.net/u011534057/article/details/52733686

     

    展开全文
  • 近些年来,深度卷积神经网络(DCNN)在图像分类和识别上取得了很显著的提高。回顾从2014到2016这两年多的时间,先后涌现出了R-CNN,Fast R-CNN, Faster R-CNN, ION, HyperNet, SDP-CRC, YOLO,G-CNN, SSD等越来越快速...

    作者:travelsea
    链接:https://zhuanlan.zhihu.com/p/22045213
    来源:知乎

    近些年来,深度卷积神经网络(DCNN)在图像分类和识别上取得了很显著的提高。回顾从2014到2016这两年多的时间,先后涌现出了R-CNN,Fast R-CNN, Faster R-CNN, ION, HyperNet, SDP-CRC, YOLO,G-CNN, SSD等越来越快速和准确的目标检测方法。

    1, 基于Region Proposal的方法

    该类方法的基本思想是:先得到候选区域再对候选区域进行分类和边框回归。

    1.1 R-CNN [1]

    R-CNN是较早地将DCNN用到目标检测中的方法。其中心思想是对图像中的各个候选区域先用DCNN进行特征提取并使用一个SVM进行分类,分类的结果是一个初略的检测结果,之后再次使用DCNN的特征,结合另一个SVM回归模型得到更精确的边界框。

    这里写图片描述

    其中获取候选区域的方法是常用的selective search。 一个图形中可以得到大约2000个不同大小、不同类别的候选区域,他们需要被变换到同一个尺寸以适应CNN所处理的图像大小( 227×227 )。

    该文章中使用的CNN结构来自AlexNet,已经在ImageNet数据集上的1000个类别的分类任务中训练过,再通过参数微调使该网络结构适应该文章中的21个类别的分类任务。

    该方法在VOC 2011 test数据集上取得了71.8%的检测精度。该方法的缺点是:1,训练和测试过程分为好几个阶段:得到候选区域,DCNN 特征提取, SVM分类、SVM边界框回归,训练过程非常耗时。2,训练过程中需要保存DCNN得到的特征,很占内存空间。3, 测试过程中,每一个候选区域都要提取一遍特征,而这些区域有一定重叠度,各个区域的特征提取独立计算,效率不高,使测试一幅图像非常慢。

    1.2 Fast R-CNN[2]

    在R-CNN的基础上,为了使训练和测试过程更快,Ross Girshick 提出了Fast R-CNN,使用VGG19网络结构比R-CNN在训练和测试时分别快了9倍和213倍。其主要想法是: 1, 对整个图像进行卷积得到特征图像而不是对每个候选区域分别算卷积;2,把候选区域分类和边框拟合的两个步骤结合起来而不是分开做。原理图如下:

    这里写图片描述

    该文章中使用ROI Pooling Layer 将不同大小的候选区域的特征转化为固定大小的特征图像,其做法是:假设候选区域ROI的大小为 h×w , 要输出的大小为 H×W ,那么就将该ROI分成 H×W 个格子,每一个格子的大小为 (h/H)×(w/W) , 然后对每一格子使用max-pooling得到目标大小的特征图像。

    候选区域的分类和边框拟合的结合是通过一个双任务的网络结构:使用两个全连接的输出层分别进行类别预测和边框预测(如上图所示),将这两个任务进行同时训练,利用一个联合代价函数:

    L(p,u,tu,v)=Lcls(p,u)+λ[u1]Lreg(tu,v)

    公式中的两项分别是classification loss 和regression loss。该方法相比于R-CNN快了不少。特别是在测试一幅新图像时,如果不考虑生成候选区域的时间,可以达到实时检测。生成候选区域的selective search算法处理一张图像大概需要2s的时间,因此成为该方法的一个瓶颈。

    1.3 Faster R-CNN[3]

    上面两种方法都依赖于selective search生成候选区域,十分耗时,那么可不可以直接利用卷积神经网络得到候选区域呢?这样的话就几乎可以不花额外的时间代价就能得到候选区域。

    Shaoqing Ren提出了Faster R-CNN来实现这种想法:假设有两个卷积神经网络,一个是区域生成网络,得到图像中的各个候选区域,另一个是候选区域的分类和边框回归网路。这两个网络的前几层都要计算卷积,如果让它们在这几层共享参数,只是在末尾的几层分别实现各自的特定的目标任务,那么对一幅图像只需用这几个共享的卷积层进行一次前向卷积计算,就能同时得到候选区域和各候选区域的类别及边框。

    这里写图片描述

    候选区域生成网络(Region Proposal Network, RPN)方法的原理图如上,先通过对输入图像的数层卷积得到一个特征图像,然后在特征图像上生成候选区域,做法是使用一个 n×n (n=3)的滑动窗口,将局部的特征图像转换成一个低维特征, 预测k个的区域(cls层, 2k 个输出)是否为候选区域和对应的 k 个边框(reg层,4k个输出)。这里的k个区域被称为锚(anchor), 对应着与滑动窗口具有相同的中心的不同大小和不同长宽比的矩形框。假设卷积后的特征图像大小为 W×H ,那么一共有 WHk 个锚。这种特征提取和候选区域生成的方法具有位移不变性。

    使用RPN得到候选区域后,对候选区域的分类和边框回归仍然使用Fast R-CNN。这两个网络使用共同的卷积层。 由于Fast R-CNN的训练过程中需要使用固定的候选区域生成方法,不能同时对RPN和Fast R-CNN使用反向传播算法进行训练。该文章使用了四个步骤完成训练过程:1,单独训练RPN;2,使用步骤中1得到的区域生成方法单独训练Fast R-CNN; 3, 使用步骤2得到的网络作为初始网络训练RPN。4, 再次训练Fast R-CNN, 微调参数。

    Faster R-CNN的精度和Fast R-CNN差不多,但是训练时间和测试时间都缩短了10倍。

    1.4 ION: Inside-Outside Net[4]

    ION也是基于Region Proposal的,在得到候选区域的基础上,为了进一步提高在每一个候选感兴趣区域ROI的预测精度,ION考虑了结合ROI内部的信息和ROI以外的信息,有两个创新点:一是使用空间递归神经网络(spatial recurrent neural network)把上下文(context)特征结合,而不是只使用ROI内的局部特征 ,二是将不同卷积层得到的特征连接起来,作为一个多尺度特征用来预测。

    这里写图片描述

    ION在上、下、左、右四个方向独立地使用RNN,并把它们的输出连接起来组合成一个特征输出,经过两次这样的过程得到的特征作为上下文特征,再与之前的几个卷积层的输出特征连接起来,得到既包括上下文信息,又包括多尺度信息的特征。

    这里写图片描述

    1.5 HyperNet[5]

    HyperNet在Faster R-CNN的基础上,在得到更好的候选区域方面比Faster R-CNN中使用的RPN有了进一步的提高。其想法也是把不同卷积层得到的特征图像结合起来,产生更好的region proposal和检测准确率。

    这里写图片描述

    该文章把不同卷积层的输出结合起来得到的特征成为Hyper Feature。由于不同卷积层的输出大小不一样,较浅层的特征图像分辨率较高,对提高边界框的精确性有益,但是容易对边界框内的物体错误分类;较深层得到的特征图像分辨率很低,对小一些的物体的边界框定位容易不准确,但这些特征更加抽象,可以让对物体的分类的准确性更高。因此二者的结合,对目标检测的正确率和定位精度都有帮助。

    1.6, SDP-CRC[6]

    SDP-CRC在处理不同尺度的目标和提高对候选区域的计算效率上提出了两个策略。第一个策略是基于候选区域尺度的池化,即Scale Department Pooling (SDP)。在CNN的框架中,由于输入图像要经过多次卷积,那些尺寸小的物体在最后一层的卷积输出上的特征不能很好的描述该物体。如果用前面某一层的特征,则能够更好的描述小物体,用靠后的层的特征,则能更好地描述较大的物体。

    这里写图片描述

    因此SDP的想法是根据物体大小选择合适的卷积层上的特征来描述该物体。例如一个候选区域的高度在0-64个像素之间,则使用第三个卷积层上(例如VGG中的Conv3)的特征进行pooling作为分类器和边框回归器的输入特征,如果候选区域高度在128个像素以上,则使用最后一个卷积层(例如VGG中的Conv5)的特征进行分类和回归。

    这里写图片描述

    第二个策略是使用舍弃负样本的级联分类器,即Cascaded Rejection Classifer, CRC。Fast RCNN的一个瓶颈是有很多的候选区域,对成千上万个候选区域都进行完整的分类和回归计算十分耗时。CRC可以用来快速地排除一些明显不包含某个物体的候选区域,只将完整的计算集中在那些极有可能包含某个物体的候选区域。该文章中使用了AdaBoost的方法,按顺序使用每一个卷积层的特征,由一些级联的弱分类器来排除负样本。在最后一层卷积的特征图像上,留下来的那些候选区域再进行分类和回归。

    SDP-CRC的准确率比Fast RNN提高了不少,检测时间缩短到了471ms每帧。

    2, 不采用Region Propsal, 直接预测边界框的方法

    2.1 YOLO[7]

    YOLO的思想是摒弃生成候选区域的中间步骤,通过单个卷积神经网络直接对各个边界框进行回归并且预测相应的类别的概率。 该方法将输入图像分成 S×S 大小的网格。每一个网格单元预测B个边界框和这些边界框的可信度,有五个预测值:边界框的中心相对于网格单元中心的坐标,边界框相对于整个图像的宽和高,还有该边界框的可信度(基于和ground truth之间的IoU)。每一个单元格还预测该单元格属于C个类别的概率,因此整个网络的输出是一个大小为 S×S×(5B+C) 的张量。在实验中,S=7, B=2, C=20,因此输出的大小是 7×7×30
    这里写图片描述

    在测试阶段,单元格的类别概率与该单元格的B个边界框的可信度相乘,得到各个边界框分别包含各个类别的物体的可信度。

    YOLO的优点是速度快,该文章中使用的24层卷积网络在测试图像上可达到45帧每秒,而使用另一个简化的网络结构,可达到155帧每秒。该方法的缺点有:1, 边界框的预测有很大的空间限制,例如每一个单元格只预测两个边界框,并且只有一个类别。2,该方法不能很好地检测到成群出现的一些小的目标,比如一群鸟。3,如果检测目标的长宽比在训练数据中没有出现过或者不常见,该模型的泛化能力较弱。

    2.2, G-CNN[8]

    G-CNN将目标检测问题看作是把检测框从一些固定的网格逐渐变化到物体的真实边框的问题。 这是一个经过几次迭代,不断更新的过程。

    这里写图片描述

    其原理图如上所示,初始检测框是对整个图像进行不同尺度的网格划分得到的,在经过卷积后得到物体的特征图像,将初始边框对应的特征图像通过Fast R-CNN 中的方法转化为一个固定大小的特征图像,通过回归得到更加准确的边框,再次将这个新边框作为初始边框,做新的一次迭代。经过若干次迭代后的边框作为输出。

    G-CNN中使用约180个初始边框,经过5次迭代, 检测帧率在3fps左右,准确率比Fast R-CNN要好一些。

    2.3, SSD[9]

    SSD也是使用单个的卷积神经网络对图像进行卷积后,在特征图像的每一个位置处预测一系列不同尺寸和长宽比的边界框。在测试阶段,该网络对每一个边界框中分别包含各个类别的物体的可能性进行预测,并且对边界框进行调整以适应目标物体的形状。

    这里写图片描述

    SSD在训练时只需要一幅输入图像和该图像中出现的物体的边界框。在不同的卷积层输出是不同尺度的特征图像(如上图中的 8×8 4×4 ),在若干层的特征图像上的每一个位置处, 计算若干个(如4个)默认边界框内出现各个目标物体的置信度和目标物体的真实边界框相对于默认边界框的偏差。因此对于大小为 mn 的特征图像,共产生 (c+4)kmn 个输出。这有点类似于Faster R-CNN 中的锚的概念,但是将这个概念用到了不同分辨率的特征图像上。SSD和YOLO的对比如下图:

    这里写图片描述

    在VOC 2007测试图像上,对于 300×300 大小的输入图像,SSD可达到72.1% mAP的准确率,速度为58帧每秒,且能预测 7k 以上个边界框,而YOLO只能预测98个。下图是上述几个算法在性能上的对比:

    这里写图片描述

    参考文献

    [1] Girshick, Ross, et al. “Rich feature hierarchies for accurate object detection and semantic segmentation.” CVPR 2014.

    [2] Girshick, Ross. “Fast r-cnn.” ICCV2015.

    [3] Ren, Shaoqing, et al. “Faster R-CNN: Towards real-time object detection with region proposal networks.” Advances in neural information processing systems. 2015.

    [4] Bell, Sean, et al. “Inside-outside net: Detecting objects in context with skip pooling and recurrent neural networks.” arXiv preprint arXiv:1512.04143 (2015).

    [5] Kong, Tao, et al. “HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection.” arXiv preprint arXiv:1604.00600 (2016).

    [6] Yang, Fan, Wongun Choi, and Yuanqing Lin. “Exploit all the layers: Fast and accurate cnn object detector with scale dependent pooling and cascaded rejection classifiers.” CVPR 2016.

    [7] Redmon, Joseph, et al. “You only look once: Unified, real-time object detection.” arXiv preprint arXiv:1506.02640 (2015).

    [8] Najibi, Mahyar, Mohammad Rastegari, and Larry S. Davis. “G-CNN: an Iterative Grid Based Object Detector.” arXiv preprint arXiv:1512.07729 (2015).

    [9] Liu, Wei, et al. “SSD: Single Shot MultiBox Detector.” arXiv preprint arXiv:1512.02325 (2015).

    展开全文
  • 网络状态检测

    千次阅读 2005-10-15 17:11:00
    有一段时间,公司得网络总是不稳定,动不动网就断了,有得时候正在上网或访问服务器变得非常。什么时候网好了,也不知道,得想着ping一下,才知道好了,可以上了。很郁闷,就写了个检测网络状态得小工具,网络一断...
  •  snort IDS(入侵检测系统)是一个强大的网络入侵检测系统。它具有实时数据流量分析和记录IP网络数据包的能力,能够进行协议分析,对网络数据包内容进行搜索/匹配。它能够检测各种不同的攻击方式,对攻击进行实
  • 网络实时状态检测

    千次阅读 2019-03-12 01:26:49
    非常不爽哈,从3月开始,电信宽带,打游戏三四分钟掉线一次,换...经过测试,无论是关闭路由,关闭wifi,网络返回数据,都是走的else,你都可以记录一下,打撸ping值高于120ms就很难接受了 终于测试完了,睡觉 ?
  • 卷积神经网络——目标检测

    千次阅读 2018-09-09 16:59:40
    而这里我们要学习构建神经网络的另一个问题,即定位分类问题。这意味着,我们不仅要用算法判断图片中是不是一辆汽车,还要在图片中标记出它的位置,用边框或红色方框把汽车圈起来,这就是定位分类问题。其中“定位”...
  • 《深度学习工程师-吴恩达》03卷积神经网络—目标检测 学习总结 1.重点归纳 1)目标定位 (1)只是检测图像类型时,只需要使用softmax输出每种类型的概率即可。当需要检测图像类型并且其在图像中的位置时,还...
  • 物体识别(也叫物体检测,目标检测)是计算机视觉领域中最有价值的研究方向之一。本论文主要研究的是卷积神经网络算法在一般场景下物体识别方法的应用,更具体地说,这里的物体识别是指行车时路况信息(包括行人、...
  • 一旦网络时,面对复杂的网络环境,网管技术人员需要迅速并且准确的诊断出问题所在,并且加以解决。本文中,我将尽量描述网络变卡变的常见原因以及诊断方法。大体来说,网络卡顿的原因有如下方面:外网原因:...
  • VoVNet:实时目标检测的新backbone网络

    千次阅读 2020-04-04 22:10:37
    文章目录高效网络设计要素OSA(One-Shot Aggregation)模块VoVNetVoVNet在检测模型上的效果VoVNetV2VoVNetV2的PyTorch实现参考 目前基于深度学习的目标检测模型无不依赖CNN分类网络来作为特征提取器,如SSD采用VGG,...
  • Android 检测网络连接状态

    千次阅读 2012-08-16 14:10:20
    但是如果没有接入互联网,或者网络速度非常而无法及时完成下载操作,在这种情况下就不应该去更新数据了。 可以通过ConnectivityManager类来检查是否接入互联网了,如果接入还可以查询是用哪种上网方式。 ...
  • 目标检测问题定义

    千次阅读 2019-09-04 20:06:12
    目标检测问题 目标检测是在图片中可变数量的目标进行查找和分类 目标种类与数量问题 目标尺度问题 外在环境干扰问题 不仅要检测出目标,还要同时检测出目标类别。(多任务) 目标检测和目标分割相对于计算机...
  • 最近电脑开机后WIFI识别和连接非常,不知何故。查看百度安全卫士的优化记录,发现其禁用了 Network List Service,将该服务设为自动启动,重启服务后,问题解决。PS:如此优化太可恶! ...
  • 睿智的目标检测30——Pytorch搭建YoloV4目标检测平台

    万次阅读 多人点赞 2020-05-24 14:14:13
    睿智的目标检测30——Pytorch搭建YoloV4目标检测平台学习前言什么是YOLOV4代码下载YOLOV4改进的部分(不完全)YOLOV4结构解析1、主干特征提取网络Backbone2、特征金字塔3、YoloHead利用获得到的特征进行预测4、预测...
  • 深度目标检测网络模型比较

    千次阅读 2019-09-02 19:51:26
    深度目标检测网络的性能和优缺点比较
  • 目标检测中YOLO网络模型的介绍

    千次阅读 热门讨论 2019-02-25 15:32:18
    目前,在目标检测领域大致分为两大流派: ...两步走的算法准确率较高,然而计算速度,经过改进的Faster R-CNN检测时间为5-7FPS,为了满足实际场景的实时性,产生了YOLO、SSD等算法。 YOLO的检测思...
  • 如何检测网络连接?

    千次阅读 2009-12-14 19:34:00
    如何检测网络连接?2009年09月19日 星期六 22:25说说自己的经验哈:1、首先看看右下角的网络图标(需要显示设置或者直接到网上邻居里去看网络连接状态)是不是打了红红的x,如果是,物理连接不通,需要检查网线(通常...
  • 用卷积神经网络检测脸部关键点的教程(一)环境配置与浅层网络训练 用卷积神经网络检测脸部关键点的教程(二)卷积神经网络训练和数据扩充 用卷积神经网络检测脸部关键点的教程(三)学习率,学习动量,dropout ...
  • 原文地址:...但是如果没有连接到互联网,或者由于网络而不能完成更新,那么为什么不在连接到网络并且状况良好时再做这些工作呢? 你可以使用ConnectivityManage
  • 对于目标定位和目标检测问题,其模型如下所示: 原始图片经过CONV卷积层后,Softmax层输出8 x 1向量。除了包含上述一般CNN分类3 x 1向量(class label)之外,还包含了(bx, by),表示目标中心位置坐标;还包含...
  • 神经网络学习小记录-番外篇——常见问题汇总

    万次阅读 多人点赞 2020-07-22 17:09:44
    神经网络学习小记录-番外篇——常见问题汇总前言问题汇总1、下载问题2、环境配置问题3、shape不匹配问题a、训练时shape不匹配问题b、预测时shape不匹配问题4、no module问题5、显存问题6、训练问题7、乱七八糟的问题...
  • 博主最近接手了一个SSD有关的检测项目,大四的时候接触了DL,这段时间在训练mobilenet-SSD的时候想自己也努力努力对这些大牛级模型进行一些小修小补吧。SSD网络前几层用的是VGG部分网络,想了一下,接触DL有4,5个月...
  • 最先进的目标检测网络依赖于区域建议算法来假设物体的位置.像sppnet[1]和快速r-cnn[2]这样的进步减少了这些检测网络的运行时间,将区域提案计算暴露为瓶颈。在本文中,我们引入了一个区域提案网络(RPN),它与检测...
  • two-stage的检测网络基于Region Proposal,包括:R-CNN,Fast R-CNN,Faster R-CNN等,虽然精度相对较高,但是检测速度过,一帧需要几秒的时间,远远达不到实时。而one-stage的检测网络,包括SSD和YOLO...
  • 物体检测:RCNN->SPP->Fast RCNN->Faster RCNN->YOLO->SSD->YOLO2->Mask RCNN 的网络构型变化
  • 本文翻译自 Using ...一步一步,我们将要尝试去解决Kaggle challenge中的脸部关键点的检测问题。这份教程介绍了Lasagne,一个比较新的基于Python和Theano的神经网络库。我们将用Lasagne去模拟一系列的神经网络
  • https://github.com/ShaoqingRen/faster_rcnn摘要目前最先进的目标检测网络需要先用区域提案算法推测目标位置,像SPPnet1和Fast R-CNN2这些网络已经减少了检测网络的运行时间,这时计算区域提案就成了瓶颈问题。...
  • 计算机网络面试问题集锦

    万次阅读 多人点赞 2018-03-26 17:16:40
     快恢复:快重传配合使用的还有快恢复算法,当发送方连续收到三个重复确认时,就执行“乘法减小”算法,把ssthresh门限减半,但是接下去并不执行开始算法:因为如果网络出现拥塞的话就不会收到好几个重复的确认,...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 133,381
精华内容 53,352
关键字:

网络慢问题检测