请问下列报错是什么原因

回复

语义图像分割匿名用户 发起了问题 • 1 人关注 • 0 个回复 • 8 次浏览 • 1 小时前 • 来自相关话题

Matlab版faster_rcnn出错

目标识别shadowjazz 回复了问题 • 8 人关注 • 9 个回复 • 3329 次浏览 • 2 小时前 • 来自相关话题

deeplabv2训练,loss和accuracy异常

回复

语义图像分割喜欢潜水的鱼_ 发起了问题 • 1 人关注 • 0 个回复 • 15 次浏览 • 14 小时前 • 来自相关话题

fast-rcnn中针对multi-task loss的计算方法

目标识别缄默hong 回复了问题 • 4 人关注 • 3 个回复 • 1086 次浏览 • 1 天前 • 来自相关话题

caffe的模型中如果存在分支结构如fast-rcnn最后分支那里,是怎么回传的?

目标识别缄默hong 回复了问题 • 2 人关注 • 1 个回复 • 487 次浏览 • 1 天前 • 来自相关话题

caffe的测试准确率和自己用python读取图像的测试准确率不同?

回复

图像分类qffun 发起了问题 • 1 人关注 • 0 个回复 • 43 次浏览 • 2 天前 • 来自相关话题

linux+ubantu16.04,用imagenet网络训练自己的数据,每次都会出现如下图所示的错误,请问该怎么解决?

回复

图像分类芝麻大的脸 发起了问题 • 1 人关注 • 0 个回复 • 47 次浏览 • 3 天前 • 来自相关话题

请问如何把lstm模型的参数提取出来

wjxiz1992 回复了问题 • 3 人关注 • 2 个回复 • 86 次浏览 • 4 天前 • 来自相关话题

关于caffe视频输入问题。

动作识别gjm441 回复了问题 • 3 人关注 • 2 个回复 • 150 次浏览 • 6 天前 • 来自相关话题

batch-normalization算法导致的算法不收敛问题

人脸识别yuchiwang 回复了问题 • 14 人关注 • 5 个回复 • 8442 次浏览 • 6 天前 • 来自相关话题

mtcnn关键点问题

回复

人脸识别chill 发起了问题 • 1 人关注 • 0 个回复 • 75 次浏览 • 2017-10-15 12:06 • 来自相关话题

faster r-cnn zF模型加层,训练最终save final 报错:未对输出参数 "last_shared_output_blob_name" (可能还包括其他参数)赋值

回复

目标识别春光灿烂 发起了问题 • 1 人关注 • 0 个回复 • 74 次浏览 • 2017-10-12 23:31 • 来自相关话题

请教 图像分割预测结果全黑

回复

语义图像分割thankfree 发起了问题 • 1 人关注 • 0 个回复 • 84 次浏览 • 2017-10-12 10:09 • 来自相关话题

询问用于人脸识别的东方人数据集

人脸识别yudie433 回复了问题 • 3 人关注 • 1 个回复 • 1023 次浏览 • 2017-10-11 14:37 • 来自相关话题

centerloss的github工程上提供的LFW的face_model.caffemodel是怎么得到的?

人脸识别yudie433 回复了问题 • 3 人关注 • 2 个回复 • 285 次浏览 • 2017-10-11 14:34 • 来自相关话题

请问下有没有某个layer能够达到缩放的效果

语义图像分割breadbread1984 回复了问题 • 3 人关注 • 1 个回复 • 125 次浏览 • 2017-10-08 16:30 • 来自相关话题

求人工智能在通信行业的应用案例

回复

匿名用户 回复了问题 • 2 人关注 • 1 个回复 • 259 次浏览 • 2017-10-07 23:19 • 来自相关话题

object detection ensemble做法?

目标识别actionlw 回复了问题 • 3 人关注 • 1 个回复 • 604 次浏览 • 2017-10-04 08:15 • 来自相关话题

mtcnn代码中resize的问题

人脸识别陶潜水 回复了问题 • 3 人关注 • 3 个回复 • 163 次浏览 • 2017-09-28 09:20 • 来自相关话题

神经网络使用心得--欢迎新手借鉴,老手批评指正

图像分类mhaoyang 发表了文章 • 7 个评论 • 738 次浏览 • 2017-09-05 18:07 • 来自相关话题

我是用Caffe做6分类问题,做一种工业产品的检测。经过反复实验。总结的经验以下几条,供新手参考,也欢迎老手批评指正。大家交流。
 
本文把神经网络的神秘面纱扯下来,新手看了之后,就有了一个完整的认识,知道怎么操作了。当然更基础的东西,要自己学习,掌握。本文仅探讨使用心得,理论方面不包括。
 
个人原创,转载请注明来自本文。

1. 分辨率,用多大的分辨率。这个取决于目标的特征,如果目标是很大的,例如汽车,房子,在图片中占据很大的比重,那么使用100*100甚至50*50的分辨率就可以了。但是如果目标很小,例如是蚂蚁,这类的。那不能太小,否则,图形特征太小,网络将无法提取形态特征。造成训练失败。我用150*200兼顾了特征的保存以及最小的图像体积,保证了计算量最小。
另外,目标就是目标,不要包含太多背景,否则也是浪费计算量。

2. 网络的选型。使用lenet还是alexnet还是googlenet.看你的问题的规模,如果你的类别不是很多,形态也非常简单,类似于手写数字识别,那么用lenet作为基础,进行调整就可以。如果形态,纹理,都比较复杂,那么lenet受限于特征提取能力,就不合适了,强行使用可能造成网络不收敛。

3. 网络精简。一般的典型网络,如上述网络,都比较庞大,例如alexnet有5层卷积,2个中间层,能分1000类,googlenet就更多了,有十几个卷积层,交叉组合,也是分1000类。而我们的分类任务可能只要分几类,或者十几类。用人家的网络就会显得杀鸡用牛刀,浪费了计算能力,可能i3 CPU足够的,你得用i7, 也就增加了成本。
因此要精简网络,说说自己的经验,alexnet5层卷积的输出节点数,96-256-384-384-256,隐含层409614096节点。
我精简到96-128-128.隐含层只一层,100个节点。分类效果跟精简之前没什么区别。而网络从200多MB降到1MB多,准确度98%, 找到了网络的极限,因为再小的网络,训练无法收敛。可能以后,再增加类别时,需要扩大一下网络。

4. 样本准备。随机一些,不同方向,不同亮度的,甚至目标的尺寸,大一点小一点,都有。要有足够的代表性。

5. 可视化,一定要使用Matlab把卷积层的中间结果输出出来,看看那些结果图是有用的,因为同一层很多特征图事重复的,那么就可以减少输出点数,再训练时,网络就不会提取那些没有用或者重复的特征了。
训练时,学习率0.001. 再缩小也没有什么效果了。

6. 网络越简单,收敛速度越快,比如我用5层卷积时,要训练到4000轮才开始收敛,而3层时,从1000轮就开始收敛。

总之在机器学习,多层卷机网络的统一理论的指导下,多多实验吧,你会发现更多的特点,这就是一门实验的学问。
另外,也推荐一本书,虽然我还没有看,但是很多人推荐,我也下载了。
Neural Networks:Tricks of the Trade   网络使用技巧,老外写的。
网上能下载到。

另外,读一读lecun跟hinton的原始论文也帮助很大。 查看全部
我是用Caffe做6分类问题,做一种工业产品的检测。经过反复实验。总结的经验以下几条,供新手参考,也欢迎老手批评指正。大家交流。
 
本文把神经网络的神秘面纱扯下来,新手看了之后,就有了一个完整的认识,知道怎么操作了。当然更基础的东西,要自己学习,掌握。本文仅探讨使用心得,理论方面不包括。
 
个人原创,转载请注明来自本文。

1. 分辨率,用多大的分辨率。这个取决于目标的特征,如果目标是很大的,例如汽车,房子,在图片中占据很大的比重,那么使用100*100甚至50*50的分辨率就可以了。但是如果目标很小,例如是蚂蚁,这类的。那不能太小,否则,图形特征太小,网络将无法提取形态特征。造成训练失败。我用150*200兼顾了特征的保存以及最小的图像体积,保证了计算量最小。
另外,目标就是目标,不要包含太多背景,否则也是浪费计算量。

2. 网络的选型。使用lenet还是alexnet还是googlenet.看你的问题的规模,如果你的类别不是很多,形态也非常简单,类似于手写数字识别,那么用lenet作为基础,进行调整就可以。如果形态,纹理,都比较复杂,那么lenet受限于特征提取能力,就不合适了,强行使用可能造成网络不收敛。

3. 网络精简。一般的典型网络,如上述网络,都比较庞大,例如alexnet有5层卷积,2个中间层,能分1000类,googlenet就更多了,有十几个卷积层,交叉组合,也是分1000类。而我们的分类任务可能只要分几类,或者十几类。用人家的网络就会显得杀鸡用牛刀,浪费了计算能力,可能i3 CPU足够的,你得用i7, 也就增加了成本。
因此要精简网络,说说自己的经验,alexnet5层卷积的输出节点数,96-256-384-384-256,隐含层409614096节点。
我精简到96-128-128.隐含层只一层,100个节点。分类效果跟精简之前没什么区别。而网络从200多MB降到1MB多,准确度98%, 找到了网络的极限,因为再小的网络,训练无法收敛。可能以后,再增加类别时,需要扩大一下网络。

4. 样本准备。随机一些,不同方向,不同亮度的,甚至目标的尺寸,大一点小一点,都有。要有足够的代表性。

5. 可视化,一定要使用Matlab把卷积层的中间结果输出出来,看看那些结果图是有用的,因为同一层很多特征图事重复的,那么就可以减少输出点数,再训练时,网络就不会提取那些没有用或者重复的特征了。
训练时,学习率0.001. 再缩小也没有什么效果了。

6. 网络越简单,收敛速度越快,比如我用5层卷积时,要训练到4000轮才开始收敛,而3层时,从1000轮就开始收敛。

总之在机器学习,多层卷机网络的统一理论的指导下,多多实验吧,你会发现更多的特点,这就是一门实验的学问。
另外,也推荐一本书,虽然我还没有看,但是很多人推荐,我也下载了。
Neural Networks:Tricks of the Trade   网络使用技巧,老外写的。
网上能下载到。

另外,读一读lecun跟hinton的原始论文也帮助很大。