1回答
我知道我可以使用Haar Cascade分类器来完成这个任务，但是我更愿意使用一种深入学习的方法，因为这是我目前关注的领域。
浏览 0提问于2019-01-23得票数 3
回答已采纳
当使用MxNet训练深度卷积神经网络时，打开一定的丢失量以减少过拟合的最简单方法是什么？有没有一种方法可以在网络架构中不手动实现丢包率的情况下添加丢包率？
浏览 2提问于2017-12-04得票数 0
我想把一个预先训练过的CNN (像VGG-16)转变成一个完全卷积的网络。我怎样才能做到呢？
浏览 2提问于2017-05-23得票数 9
回答已采纳
我正在考虑构建一个卷积神经网络作为跟踪系统应用程序，我感觉所有的深度网络应用程序都需要使用GPU。有必要在像我这样的任务中使用GPU吗？我的笔记本电脑对PC的最低要求是什么？
浏览 0提问于2015-12-04得票数 3
对像素级语义分割的完全卷积神经网络(FCNs)的训练是非常内存密集型的。因此，我们经常使用batchsize=1来培训FCNs。然而，当我们用BatchNorm ( BN )层完成预先训练的网络时，batchsize=1对BN层没有意义。那么，如何处理BN层呢？一些备选方案：
冻结
浏览 11提问于2017-06-19得票数 3
我在caffenet中使用微调，它工作得很好，但是我在Keras 关于微调的博客中读到了这篇文章(他们使用经过训练的VGG16模型)：
“为了进行微调，所有层都应该从经过适当训练的权重开始:例如，你不应该把一个随机初始化的完全连接的网络放在一个预先训练过的卷积基础上这是因为随机初始化的权值引发的大梯度更新会破坏卷积</e
浏览 0提问于2017-03-20得票数 2
1回答
有没有一种方法可以在Tensorflow中加载预训练的模型并删除网络中的顶层？我正在考虑Tensorflow版本r1.10我想通过删除一堆顶部卷积层来手动修剪一个预先训练好的网络，并添加一个自定义的完全卷积层编辑：
该模型是从下载的ssd_mobilenet_v1_coco。
浏览 17提问于2018-08-28得票数 1
我目前正在使用Mxnet和C++ Symbol API训练一个卷积神经网络。该网络包含一些批处理归一化层，其中包含四个参数NDArray。其中两个参数，moving_mean和moving_variance参数应该在训练期间的每一批中更新。 我猜测，由于executor的前向传递的布尔值设置为true，因此它将自动更新新参数。此外，由于没有为这两个NDArray计算梯度，因为它不是“可学习”的参数，所以我无法通过常规
浏览 14提问于2019-03-01得票数 0
我遵循了mxnet，中的对象检测教程，但我不下载经过预先训练的网络，并将提取的文件放入最终的-0000.params。在哪里我可以在网上找到下载的文件？
浏览 4提问于2016-11-29得票数 0
回答已采纳
我正在用ResNet50模型进行微调，以便使用数据拼凑来进行人脸识别，但观察到模型的精度在提高，但从一开始就没有提高验证的准确性，我没有搞错哪里，请检查我的代码。
浏览 3提问于2018-10-28得票数 4
回答已采纳
2回答
完全卷积网络训练图像大小
、、、、
我正在尝试使用TensorFlow复制用于语义分割的完全卷积网络的结果。
我被困在将训练图像输入到计算图中。全卷积网络使用VOC PASCAL数据集进行训练。然而，数据集中的训练图像具有不同的大小。我只想问他们是否对训练图像进行了预处理，使它们具有相同的大小，以及他们是如何对图像进行预处理的。如果没有，他们是否
浏览 2提问于2016-08-20得票数 6
1回答
我正在寻找最佳实践或案例研究，使用R的"mxnet“对多波段图像进行像素分类(RGB、mlutispectral/高光谱航空或卫星遥感)。事实上，在图像标记方面有很多最佳实践(例如，在像imagenet这样的大型图像存档中，狗和猫)，整个图像被分类，通常有很多训练数据(或预训练模型)可用。然而，我没有发现任何关于像素级图像分类/回归的东西，在这些图像分类/回归中，训练数据通常比较稀疏，并且应用程序处理土地覆盖类别、对象(如汽车、建
浏览 1提问于2017-01-25得票数 2
2回答
我目前正在尝试用卷积神经网络学习一次性学习。根据这个视频，我使用的CNN应该是在MNIST上预先训练过的.为什么CNN必须接受预先训练？
浏览 0提问于2018-08-16得票数 4
2回答
import mxnet as mximport cv2
ctx = mx.gpu在，胶子只需要最小尺寸的宽度，高度。我应该考虑最大的大小，还是修正输入的大小？
浏览 0提问于2018-11-08得票数 0
回答已采纳
1回答
我试图复制一个神经网络来进行深度估计。原作者采用了预先训练的网络，在全连通层和卷积层之间添加了“超像素池层”。在这一层中，对卷积特征映射进行上采样，并对每个超像素的特征进行平均。我的问题是，为了成功地实现这一点，我需要计算每幅图像的超像素。如何访问批处理过程中由keras/tensorflow使用的数据来执行SLIC过度分割？我考虑过将任务分开，并将其分成几个部分，即将图像输入卷积
浏览 3提问于2017-06-16得票数 0
回答已采纳
2回答
我正在寻找使用MxNet实现卷积自动编码器。但是基于全连接网络的自动编码器只有一个例子，那就是。在github中也有一个问题提出了类似的问题，但得到的答复很少。是否有使用MxNet实现卷积自动编码器的玩具示例？
浏览 3提问于2017-04-13得票数 0
回答已采纳
1回答
我是神经网络的新手，通过阅读，我经常遇到在网络中使用热图以及数据集提供的基本事实来评估网络性能的准确性(据我所知)。具体地说，考虑人群密度估计网络的应用，数据集提供人群图像，每个图像都有一个对应的地面实况.mat文件，该文件具有:表示图像中人头外观的X和Y坐标矩阵。图像中人头的总数(人群计数)，等于矩阵行数。我目前的理解是，一个图像将通过网络，结果将与给定
浏览 0提问于2018-10-17得票数 0
1回答
为了对它们进行分类，我使用了常用的方法-从已经捕获了大量图像模式的预训练ImageNet网络中获取权重和结构，并主要训练最后一层以适合我的训练集。但我发现网络在这套设备上不起作用:我拿一些硬币为例，向左转，为它生成水平翻转的图像，并将其标记为右侧。对于这个集合，卷积网络获得了~50%的精度，它完全是随机结果。我还尝试在2个图像上训练<
浏览 1提问于2016-07-23得票数 2
云服务器
ICP备案
云直播
对象存储
实时音视频
腾讯云开发者
