BHuman框架中，最为核心的部分就是Representation和Module，几乎所有的重要功能都是由这种体系来实现的。如果需要重构BHuman的代码框架添加自己需要的功能，或者借鉴Bhuman重写一个新的机器人框架，学习Representation和Module理论都是首要的。Representation和Module的功能描述根据BHuman开源库中Coderelease2019里的描述，
转载
2024-10-28 19:58:48
21阅读
这里论文中提到的技巧做笔记。InceptionV4 （）GoogLeNetV4）何凯明在Residual Learning 中提到的深度网路的训练，目的是为了稳定网络输出
①先warm-up, very low learning rate
②high learning rateResNet的结构的核心思想是恒等快捷连接（identity shortcut connection）的结构，可以跳过多个
转载
2024-07-06 21:32:09
71阅读
距离上一篇关于Web API的文章有好些时间了，在那篇文章中提到的方法是非常简单而有效的，我在实际的项目中就这么用了，代码经过一段时间的磨合，已经很稳定了，所以我打算写篇总结，并在最近这段时间里提供一个ASP.net Web API的综合例子。对四个HTTP方法的理解 众所周知，HTTP有四个方法，GET、POST、PUT和DELETE，分别对应数据库的SELECT、INSERT、UPDATE和
Resnet解读和实战动机（灵感来源）1.增加网络的层数之后，训练误差往往不降反升。这是因为梯度消失或是梯度爆炸导致的。2.假设现有一个比较浅的网络已达到了饱和的准确率，这时在它后面再加上几个恒等映射层（Identity mapping，也即y=x，输出等于输入），这样就增加了网络的深度，并且起码误差不会增加，也即更深的网络不应该带来训练集上误差的上升。3.输入是x，期望输出是H(x)，即H(x)
转载
2024-07-23 17:41:10
85阅读
resnet中最中重要的就是
原创
2023-05-18 17:34:34
143阅读
# Android Reset Key
## 介绍
在Android开发中，reset key（重置密钥）是一种用于对应用程序或数据进行重置的机制。reset key的使用可以确保应用程序在某些情况下能够返回到初始状态，例如在用户忘记密码时重置应用程序的登录状态。
本文将介绍如何在Android应用程序中使用reset key，以及如何实现一个简单的重置功能。
## 使用reset key
原创
2023-12-01 06:28:11
42阅读
ret2dl-resole 是通过伪造到 .rel.plt ， .dynsym, .dynstr中表项中的偏移以及伪造这三个段中的数据结构来达到调用system 函数的目的这三个段的信息都可以在IDA中 DYNAMIC 段中找到DT_STRTAB -> .dynstr DT_SYMTAB -> .dynsym DT_JMPREL -> .rel.plt 箭头处压入的是 print
这是Du Tran在Learning Spatiotemporal Features with 3D Convolutional Networks之后发表的续篇，相当于C3D的第二个版本，C3D-resnet.我个人觉得这篇文章除了主要探讨C3D-resnet以外，更重要的是对CNN卷积结构在时空特征表现上的一个深入探讨。大部分工作还是基于UCF-101，而且从头训练，很利于在硬件条件有限的情况下
Deep Residual Learning for Image Recognition原论文名字 ResNet34层模型的结构简图： 图中有连接线的结构是残差结构，最后通过一个平均下采样操作和一个全连接层得到最终的输出。网络中的亮点：1.超深的网络结构（突破1000层） 从下图可以看出单纯的堆叠卷积层和最大池化下采样层去堆叠网络并不是层度越深效果越好 原作者提出了两个问题： 1.1随着网络的层
转载
2024-04-02 06:23:35
2144阅读
1. 结构相似度 这篇文章的研究背景是建立一个衡量图像质量好坏的测量准则。客观图像质量测量分为两种，一种是使用参考标准图像，另一种是无参考标准图像。而本文是第一种类型的客观图像质量测量。 假设人类视觉系统（HVS）倾向于抽取结构化信息。 遭到批评的算法：一幅图像的信号可以理解称为一幅无噪声信号图像（Refference Image Signal）和一幅误差信号（Err
转载
2024-09-18 14:38:43
38阅读
验证集是验证还是训练？训练集用于训练模型的参数，验证集用于训练模型的超参数。不同超参数（hyper-parameter）组合，就对应着不同的潜在模型。验证集上跑的，实际上是一个模型集合，验证集的存在，就是为了从这一堆可能的模型中，找出表现最好的那个。超参数重要性？超参数包括训练轮数，学习速率等等。如果一个模型，训练数据比别人多得多，效果就会很好（参数训练的很到位），但是模型的架构（超参数设定）未必
RNN 有一个致命的缺陷，传统的 MLP 也有这个缺陷，看这个缺陷之前，先祭出 RNN 的 反向传导公式与 MLP 的反向传导公式：\[RNN : \ \delta_h^t = f'(a_h^t) \left (\sum_k\delta_k^tw_{hk} + \sum_{h'} \delta^{t+1}_{h'}w_{hh'} \right )\]\[MLP : \ \d
转载
2024-07-16 12:58:12
106阅读
【深度学习网络结构】 深度学习——卷积神经网络 的经典网络（LeNet-5、AlexNet、ZFNet、VGG-16、GoogLeNet、ResNet） 一、CNN卷积神经网络的经典网络综述【相关论文】 感谢博主的总结，链接为 下面列出的论文都是我学习CNN过程中精读过的论文，也是我认为学习CNN必读的论文，论文的顺序基
网络体系结构和网络协议是计算机网络技术中两个最基本的概念。今天我们将从网络层次，服务和协议的基本概念出发，理解一下网络中基本的概念。一. 网络体系结构的基本概念1. 什么是网络协议在生活中，我们多于通信协议并不陌生，一种语言本身就是一种协议。在我们寄信或者请假时，假条内容的格式就是一种协议。这样的例子很多。在计算机中，计算机网络由多台主机组成，主机之间需要不断的交换数据。要做到有条不紊的交换数据，
介绍：RARE（Robust text recognizer with Automatic Rectification，具有自动校正功能的鲁棒性文本识别器）是由**空间变形网络(STN)和序列识别网络(SRN)**组成。在测试中，首先通过predicted Thin-Plate-Spline(TPS)对图像进行校正，为后续的SRN(通过序列识别方法识别文本)生成更“可读”的图像。RARE模型在识别
转载
2024-04-26 17:19:39
62阅读
reserve是容器预留空间，但并不真正创建元素对象，在创建对象之前，不能引用容器内的元素，因此当加入新的元素时，需要用push_back()/insert()函数。resize是改变容器的大小，并且创建对象，因此，调用这个函数之后，就可以引用容器内的对象了，因此当加入新的元素时，用operator[]操作符，或者用迭代器来引用元素对象。再者，两个函数的形式是有区别的，reserve函数之后一个参
本文结构：
我的阅读笔记
1.ResNet之Building block
2.ResNet之CIFAR-10实验结构
其他资料
1.ResNet作者何凯明博士在ICML2016上的tutorial演讲
2.Bottleneck
3.diss ResNet的论文
# 引言 深度残差网络的提出是深度学习领域的里程碑事件，它使得网络可以做大做深，现在主流的网络中都有残差结构 # 问题 - ##深度网络的退化 深度网络有一个普遍的问题：随着网络层数的增加，准确率是先增后减的，准确率增加是很好理解的，毕竟网络变深之后，模型的学习能力也随之变强，结果也相应地变好，但是结果变差是反直觉的，这种现象被称为网络退化，有人给出解释：模型的参数规模超过数据规模，模型可能发生了
转载
2024-09-02 12:44:13
244阅读
本篇文章的重点就是介绍GoogLeNet的网络架构，它也经历了多个版本的改进。GoogLeNet，即Inception模块化后进行模块的串接。论文：https://arxiv.org/abs/1409.4842一、网络结构 二、Inception结构图原始Inception 结构采用3种卷积核的卷积层进行并行提取特征，这可以加大网络模型的宽度，不同大小的卷积核也就意味着原始Incepti
在使用深度神经网络时我们一般推荐使用大牛的组推出的和成功的网络。如最近的google团队推出的BN-inception网络和inception-v3以及微软最新的深度残差网络ResNET。 我们从简单的网络开始介绍，学习理解网络结构是如何发展到今天的，同时本文整理了自己用别人网络结构时别人的网络结构的pre-reain model和prototxt文件的资源。 首先安利caffe zoo大法，
