资料下载
×
神经网络在机器视觉的应用
消耗积分:1 |
格式:rar |
大小:0.2 MB |
2017-10-11
分享资料个
笔者最近认识的朋友万力博士（主页：https://www.cs.nyu.edu/~wanli/），2009到2015年在纽约大学攻读博士，研究方向神经网络在视觉方面的应用，目前在Google语音组工作。在”机器。算法。人”群里面做了一次精彩分享，这次是他博士研究学习到的东西。题目是Joint Training of Neural Network and Structured Model. 给大家做个总结，确实专业术语比较艰深，不明觉厉的同学收藏吧。
什么是computer vision和vision难在什么地方。博士后期主要是就是做检测：也就是给一个图片。我们要给出什么物体出现在图中，并且给出一个框框来框出物体。这个主要的难度就在于，不知道什么物体（object of interst） 出现（也可以什么物体都没有），和它们都在哪里。
举个例子来说，在1000-class classification 里面，你随便猜测一个标签。猜到的几率是1e-3。但是你在检测，你随便画一个框框，然后说这个是某个物体，你猜对的几率是《1e-6
我认为的理想的模型是一个混合模型：就是神经网络模型＋带结构化的模型
这样的话人类知识就可以放进神经网络。这个混合模型的训练套路也是很简单： 1）初始化神经网络 2） 用神经网络的feature来训练后面的模型 3）把后面结构话的模型变为神经网络的layer 4）混合到一起训练。
什么是computer vision和vision难在什么地方。博士后期主要是就是做检测：也就是给一个图片。我们要给出什么物体出现在图中，并且给出一个框框来框出物体。这个主要的难度就在于，不知道什么物体（object of interst） 出现（也可以什么物体都没有），和它们都在哪里。
举个例子来说，在1000-class classification 里面，你随便猜测一个标签。猜到的几率是1e-3。但是你在检测，你随便画一个框框，然后说这个是某个物体，你猜对的几率是《1e-6
我认为的理想的模型是一个混合模型：就是神经网络模型＋带结构化的模型
这样的话人类知识就可以放进神经网络。这个混合模型的训练套路也是很简单： 1）初始化神经网络 2） 用神经网络的feature来训练后面的模型 3）把后面结构话的模型变为神经网络的layer 4）混合到一起训练。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
评论(0)
发评论
- 相关下载
- 相关文章
