Matconvnet中用于训练imagenet的数据集没有caffe中的准备得好。就得到一个训练文件夹，一个测试文件夹，两个txt索引，感觉不近人情，Anewmodelandthekinetics...quovadis，行为识别？N-ShotLearning:用最少的数据训练最多的模型作者|HeetSankesara译|田字一中(郑州大学)和野调(江苏科技大学)修订|唐力和皮塔如果把AI比作电，那么数据就是创造电的煤。
声明:基于YOLOv1按照CC4.0BYSA版权协议，YOLOv2和YOLO9000算法由JosephRedmon改进后于2017年在CVPR提出，并获得最佳论文提名，重点解决YOLOv1在召回率和定位精度上的错误。YOLOv2在提出来的时候，在各种监测数据集中的速度都比其他检测系统快，在速度和精度上都能做到平衡。
与YOLOv1利用FC层直接预测边界框坐标相比，YOLOv2借鉴了FSRCNN的思想，引入锚机制，利用KMeans聚类方法在训练集中进行聚类，计算出更好的锚模板，利用卷积层的锚框运算增加区域建议的预测，并采用强约束定位方法，大大提高了算法的召回率。
YOLO(YouOnlyLookOnce)是一种基于深度神经网络的物体识别定位算法。它最大的特点是运行速度非常快，可以用于实时系统。现在YOLO已经发展到v3版本，但是新版本也是在原版本的基础上不断改进和进化，所以本文首先分析YOLOv1版本。对于YOLOv2/YOLO9000的分析和理解，请移步YOLOv2/YOLO9000。
物体识别和定位可以看作是两个任务:在图片中找到物体存在的区域，然后识别哪个物体在该区域内。近年来，基于CNN卷积神经网络的各种方法在物体识别(一幅图片只包含一个物体，基本占据图片的整个范围)方面取得了很好的效果。所以要解决的主要问题是物体在哪里。最简单的思路是遍历图片中所有可能的位置，地毯式搜索每个不同大小、不同长宽比、不同位置的区域，逐个检测是否有物体，选择概率最高的结果作为输出。
3、如何理解计算机视觉损失函数?更多信息请看原文:计算机视觉是计算机科学中的一个领域，主要研究“数字图像的自动信息提取”。在过去的十年中，深度学习的创新、大量数据的可用性和GPU($$)单元的可访问性将计算机视觉领域推到了聚光灯下。它甚至在人脸验证和手写文本识别等任务中表现出超人的性能。(其实在航班登机过程中，自动人脸验证的应用已经越来越普及。)近年来，计算机视觉领域在网络结构、激活函数、损失函数等方面有了很多创新。
多年来，CNN的各种结构变体的发展带来了惊人的进步...medium.com正如我在上一篇文章中讨论的，损失函数在模型的性能中起着关键作用。选择正确的损失函数可以帮助你的模型学会关注数据中正确的特征，从而获得最好更快的收敛速度。你应该知道的损失函数常见损失函数Winner每个ML工程师都应该知道ML中流行的常见损失函数。了解它们的优势…medium.com本文总结了计算机视觉中一些重要的损失函数。
4、深度学习的数据集都是怎样生成的Hello，genet网络的预训练模型训练自己的数据集。好吧，首先是你自己的数据集。Matconvnet中用于训练imagenet的数据集没有caffe中的准备得好。就得到一个训练文件夹，一个测试文件夹，两个txt索引，感觉不近人情。稍后，我将把它的输入改为这种人类类型的输入格式。但是它的类别索引是从0开始的，这在matlab中是不一致的，所以我改成从1开始。
5、N-ShotLearning:用最少的数据训练最多的模型作者|翻译作者|HeetSankesara |修改作者一中(郑州大学)和野钓(江苏科技大学)|唐力和皮塔如果把AI比作电，那么数据就是创造电的煤。不幸的是，正如我们看到可用的煤炭是消耗品一样，许多人工智能应用程序很少或没有数据可访问。新技术弥补了物质资源的不足；还需要新的技术来保证程序在数据很少的情况下正常运行。
6、[文献翻译]TemporalSegmentNetworks:TowardsGoodPracticesforDee...摘要:深度卷积网络在静止图像的视觉识别方面取得了巨大的成功。然而，视频中的运动识别与传统方法相比，优势并不那么明显。本文的目的是为视频运动识别设计一个有效的ConvNet架构，并在有限的训练样本下学习这些模型。我们的第一个贡献是时间分段网络(TSN)，这是一个新的基于视频的运动识别框架。这种结构基于远程时间建模的思想。
另一个贡献是我们研究了一系列借助时间切片网络在视频数据上学习ConvNet的实践。我们的方法在HMDB 51 (69.4%)和UCF 101 (94.2%)的数据集上实现了SOTA，我们还可视化了ConvNet模型，证明了时间分段网络和所提出方法的有效性。1引言基于视频的运动识别因其在安防、行为分析等诸多领域的应用，引起了学术界的极大关注，动力学数据集的新模型和总结在现有的行为分类数据集(ucf 101和HMDB51)中，视频数据的缺乏使得很难确定一个好的视频结构，大多数方法在小规模数据集上取得了类似的结果。本文根据人类行为动力学重新评价这些高级结构，Kinetics有两个数量级的数据，400种人类行为，每种行为都有超过400个片段，而这些都是从真实且具有挑战性的YouTube视频中收集的。
