首页
学习
活动
专区
工具
TVP
发布

梦里茶室

专栏作者
70
文章
91315
阅读量
27
订阅数
sqlite在Android上的一个bug:SQLiteCantOpenDatabaseException when nativeExecuteForCursorWindow
这是sqlite在Android系统上的一个bug,在需要建立索引的sql语句频繁执行时,会发生这个异常。
梦里茶
2018-10-09
6890
sqlite在Android上的一个bug:SQLiteCantOpenDatabaseException when nativeExecuteForCursorWindow
这是sqlite在Android系统上的一个bug,在需要建立索引的sql语句频繁执行时,会发生这个异常。
梦里茶
2018-10-09
8110
读论文系列:Object Detection ECCV2016 SSD
转载请注明作者:梦里茶 Single Shot MultiBox Detector Introduction 一句话概括:SSD就是关于类别的多尺度RPN网络 基本思路: 基础网络后接多层fea
梦里茶
2018-04-17
5890
读论文系列:Object Detection CVPR2016 YOLO
CVPR2016: You Only Look Once:Unified, Real-Time Object Detection 转载请注明作者:梦里茶 YOLO,You Only Look Once
梦里茶
2018-04-17
9810
Object Detection · RCNN论文解读
转载请注明作者:梦里茶 Object Detection,顾名思义就是从图像中检测出目标对象,具体而言是找到对象的位置,常见的数据集是PASCAL VOC系列。2010年-2012年,Object Detection进展缓慢,在DPM之后没有大的进展,直到CVPR2014,RBG大神(Ross Girshick)把当时爆火的CNN结合到Detection中,将PASCAL VOC上的准确率提高到53.7%,本文为你解读RBG的CVPR2014 paper: Rich feature hierarchie
梦里茶
2018-03-30
7680
读论文系列:Object Detection SPP-net
本文为您解读SPP-net: Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition Motiva
梦里茶
2018-03-30
6990
毫秒级检测!你见过带GPU的树莓派吗?
树莓派3B+英特尔神经计算棒进行高速目标检测 转载请注明作者梦里茶 代码: 训练数据预处理: https://gist.github.com/ahangchen/ae1b7562c1f93fda
梦里茶
2018-03-30
8.7K0
CVPR2018: Unsupervised Cross-dataset Person Re-identification by Transfer Learning of Spatio-tempora
CVPR2018: Unsupervised Cross-dataset Person Re-identification by Transfer Learning of Spatio-tempora
梦里茶
2018-03-30
2K0
读论文系列:Object Detection NIPS2015 Faster RCNN
转载请注明作者:梦里茶 Faster RCNN在Fast RCNN上更进一步,将Region Proposal也用神经网络来做,如果说Fast RCNN的最大贡献是ROI pooling layer和Multi task,那么RPN(Region Proposal Networks)就是Faster RCNN的最大亮点了。使用RPN产生的proposals比selective search要少很多(300vs2000),因此也一定程度上减少了后面detection的计算量。 Introduction Fa
梦里茶
2018-03-30
6040
读论文系列:Object Detection ICCV2015 Fast RCNN
Fast RCNN是对RCNN的性能优化版本,在VGG16上,Fast R-CNN训练速度是RCNN的9倍, 测试速度是RCNN213倍;训练速度是SPP-net的3倍,测试速度是SPP-net的3倍,并且达到了更高的准确率,本文为您解读Fast RCNN。 Overview Fast rcnn直接从单张图的feature map中提取RoI对应的feature map,用卷积神经网络做分类,做bounding box regressor,不需要额外磁盘空间,避免重复计算,速度更快,准确率也更高。 Rela
梦里茶
2018-03-30
7490
TensorFlow深度学习笔记 文本与序列的深度模型
Deep Models for Text and Sequence Rare Event 与其他机器学习不同,在文本分析里,陌生的东西(rare event)往往是最重要的,而最常见的东西往往是最不重要的。 语法多义性 一个东西可能有多个名字,对这种related文本能够做参数共享是最好的 需要识别单词,还要识别其关系,就需要过量label数据 无监督学习 不用label进行训练,训练文本是非常多的,关键是要找到训练的内容 遵循这样一个思想:相似的词汇出现在相似的场景中 不需要知道一个词真实的含义,词的含义
梦里茶
2018-01-15
7650
TensorFlow深度学习笔记 循环神经网络实践
加载数据 使用text8作为训练的文本数据集 text8中只包含27种字符:小写的从a到z,以及空格符。如果把它打出来,读起来就像是去掉了所有标点的wikipedia。 直接调用lesson1中maybe_download下载text8.zip 用zipfile读取zip内容为字符串,并拆分成单词list 用connections模块统计单词数量并找出最常见的单词 达成随机取数据的目标 构造计算单元 embeddings = tf.Variable( tf.random_uniform([
梦里茶
2018-01-15
9720
TensorFlow 深度学习笔记 卷积神经网络
Convolutional Networks deep dive into images and convolutional models Convnet BackGround 人眼在识别图像时,往往从局部到全局 局部与局部之间联系往往不太紧密 我们不需要神经网络中的每个结点都掌握全局的知识,因此可以从这里减少需要学习的参数数量 Weight share 但这样参数其实还是挺多的,所以有了另一种方法:权值共享 Share Parameters across space 取图片的一小块,在上面做神经网络分
梦里茶
2018-01-15
6120
TensorFlow 深度学习笔记 从线性分类器到深度神经网络
Limit of Linear Model 实际要调整的参数很多 如果有N个Class,K个Label,需要调整的参数就有(N+1)K个 Linear Model不能应对非线性的问题 Lin
梦里茶
2018-01-15
1.1K0
TensorFlow 深度学习笔记 逻辑回归 实践篇
Practical Aspects of Learning Install Ipython NoteBook 可以参考这个教程 可以直接安装anaconda,里面包含了各种库,也包含了ipython;
梦里茶
2018-01-15
6970
TensorFlow 深度学习笔记 TensorFlow实现与优化深度神经网络
全连接神经网络 辅助阅读:TensorFlow中文社区教程 - 英文官方教程 代码见:full_connect.py Linear Model 加载lesson 1中的数据集 将Data降维成一维,将label映射为one-hot encoding def reformat(dataset, labels): dataset = dataset.reshape((-1, image_size * image_size)).astype(np.float32) # Map 0 to [1.0, 0.0,
梦里茶
2018-01-15
6190
Activity四种launchMode
本文介绍了Activity的四种启动模式,分别是Standard、SingleTop、SingleTask和SingleInstance。在不同的启动模式下,Activity的创建和启动方式会有所不同。标准模式适用于大多数场景,而SingleTop和SingleTask模式则分别适用于栈顶复用和同一个Task中复用Activity的场景。SingleInstance模式则是Activity独享Task的情况,适用于需要Activity独占的场景。
梦里茶
2017-12-29
5070
java 执行linux命令
本文介绍如何利用Java执行Linux命令,包括安装JDK、配置环境、执行Linux命令等步骤。
梦里茶
2017-12-29
3.9K0
几种改变Activity回退栈默认行为的Intent Flag
梦里茶
2017-12-29
1.7K0
Activity篇章参考
本文介绍了Activity在Android中的重要性,包括Activity的生命周期、启动模式、任务栈和进程的关系,以及与其他模块的交互。同时,还提供了Activity相关的最佳实践和常见问题解决方案。
梦里茶
2017-12-29
4470
点击加载更多
社区活动
腾讯技术创作狂欢月
“码”上创作 21 天,分 10000 元奖品池!
Python精品学习库
代码在线跑,知识轻松学
博客搬家 | 分享价值百万资源包
自行/邀约他人一键搬运博客,速成社区影响力并领取好礼
技术创作特训营·精选知识专栏
往期视频·千货材料·成员作品 最新动态
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档