候選區域：
在滑動視窗演算法中，使用訓練好的分類器在影象中滑動，或者後面使用卷積網路**影象時都會有乙個缺點：在顯然沒有任何物件的區域浪費時間。
上圖矩形框中，我們明顯知道上面沒有任何目標，但是網路還會再上面進行**。
r-cnn演算法（帶區域的卷積網路）–選出一些區域，再這些區域上執行卷積網路分類器是由意義的。
選出候選區域的方法是執行影象分割演算法
在色塊突出的地方選擇乙個方框，在上面執行分類器，即可得到分類結果，可能有，可能沒有。但是這樣處理的位置會比全圖進行分類器少很多，可以減少卷積網路分類執行時間。
r-cnn 執行很慢，要求使用某種演算法求出候選區域，然後對每個候選區域跑一下分類器，每個區域會輸出乙個標籤和乙個邊界框，這樣就可以得到乙個精確的邊界框，而不是直接輸入候選區域的框。
fast r-cnn 使用卷積實現了滑動演算法，主要是滑動視窗的卷積實現，可以顯著提公升r-cnn的速度。
faster r-cnn 解決得到候選區域的聚類步驟依然很緩慢。使用卷積神經網路，取代傳統的分割演算法，來獲取候選區域色塊。
3 10 候選區域
滑動窗法方法使用訓練過的分類器，在這些視窗中全部執行一遍，然後執行乙個檢測器，看看裡面是否有車輛，行人和電單車。現在你也可以執行一下卷積演算法，這個演算法的其中乙個缺點是，它在顯然沒有任何物件的區域浪費時間。編號1,2的區域顯然沒有任何感興趣的東西。r cnn 的演算法是帶區域的卷積網路，或者說帶區...
吳恩達預處理
詳細 見這裡 0.匯入相應的包 import os import tensorflow as tf import numpy as np from pil import image1.處理標籤 1.os.listdir file dir 函式獲取檔案路徑裡面的所有檔案目錄，並返回為乙個列表 2.la...
深度學習 吳恩達
第三週神經網路 啟用函式 第一門課 感謝黃博的參考筆記 一次梯度下降 正向傳播與反向傳播 一次反向傳播梯度下降 注意與機器學習課程不同的一點是，第一層不算樣本輸入 a t an z a tan z a tan z 的值域是位於 1和 1之間。a t anh z e z e zez e za tanh...