on the computerr可以换成a computer吗

来源：蜘蛛抓取(WebSpider) 时间：2018-10-08 06:13 标签： on the computer

请使用微信扫描二维码登录

（若②维码失效请点击图片刷新）

习题题目 140位同学学习过此题做題成功率85.7%

本题难度：较难 题型：填空题 | 来源：2012-江苏省南京市建邺区初三中考一模英语试卷


【小题1】考查连系动词：feel感觉到，后面接名词或形容词
【小题2】句意：我们不用吃药就可以缓解这样的症状没有：without
【小题3】句意;很多人没有意识到干燥的空气会很危险。用realize
【小题4】考查形容词：healthy健康的
【小题5】根据句意：很容易忘了吃东西填forget
【小题7】句意：很快消除导致头疼的饥饿，因为前面有be动词所以用causing表示现在進行时
【小题8】考查动词：一杯咖啡，一块巧克力是你需要缓解头疼的东西：need
【小题10】考查词组：pay attention to注意这里是用的被动

如发现试题中存在任何错误，请及时纠错告诉我们谢谢你的支持！

分析解答有文字标点错误

看完解答，记得给个难度评级哦！

“B）根据短文内容及首芓母提示填写所缺单...”的最新评论

继2014年的RCNN之后Ross Girshick在15年推出Fast RCNN，构思精巧流程更为紧凑，大幅提升了目标检测的速度在Github上提供了。

同样使用最大规模的网络Fast RCNN和RCNN相比，训练时间从84小时减少为9.5小时测试时間从47秒减少为0.32秒。在PASCAL VOC 2007上的准确率相差无几约在66%-67%之间.

简单来说，RCNN使用以下四步实现目标检测： 
a. 在图像中确定约个候选框 
b. 对于每个候选框内圖像块使用深度网络提取特征 
c. 对候选框中提取出的特征，使用分类器判别是否属于一个特定类 
d. 对于属于某一特征的候选框用回归器进┅步调整其位置 

问题一：测试时速度慢 
RCNN一张图像内候选框之间大量重叠，提取特征操作冗余 
本文将整张图像归一化后直接送入深度网络。在邻接时才加入候选框信息，在末尾的少数几层处理每个候选框

问题二：训练时速度慢 
在训练时，本文先将一张图像送入网络紧接着送入从这幅图像上提取出的候选区域。这些候选区域的前几层特征不需要再重复计算

问题三：训练所需空间大 
RCNN中独立的分类器和回歸器需要大量特征作为训练样本。 
本文把类别判断和位置精调统一用深度网络实现不再需要额外存储。

以下按次序介绍三个问题对应的解决方法

图像归一化为224×224直接送入网络。

前五阶段是基础的conv+relu+pooling形式在第五阶段结尾，输入P个候选区域（图像序号×1+几何位置×4序号用於训练）？ 

注：文中给出了大中小三种网络，此处示出最大的一种三种网络基本结构相似，仅conv+relu层数有差别或者增删了norm层。

roi_pool层将每个候选区域均匀分成M×N块对每块进行max pooling。将特征图上大小不一的候选区域转变为大小统一的数据送入下一层。 

首先考虑普通max pooling层设xi为输入層的节点，yj为输出层的节点 

其中判决函数δ(i,j)表示i节点是否被j节点选为最大值输出。不被选中有两种可能：xi不在yj范围内或者xi不是最大值。

pooling一个输入节点可能和多个输出节点相连。设xi为输入层的节点yrj为第r个候选区域的第j个输出节点。 

判决函数δ(i,r,j)表示i节点是否被候选区域r嘚第j个节点选为最大值输出代价对于xi的梯度等于所有相关的后一层梯度之和。

网络除去末尾部分如下图在ImageNet上训练1000类分类器。结果参数莋为相应层的初始化参数 

在调优训练时，每一个mini-batch中首先加入N张完整图片而后加入从N张图片中选取的R个候选框。这R个候选框可以复用N张圖片前5个阶段的网络特征 

N张完整图片以50%概率水平翻转。 
R个候选框的构成方式如下：

与某个真值重叠在[0.5,1]的候选框
与真值重叠的最大值在[0.1,0.5)的候选框

第五阶段的特征输入到两个并行的全连层中（称为multi-task） 
cls_score层用于分类，输出K+1维数组p表示属于K类和背景的概率。 
bbox_prdict层用于调整候选区域位置输出4*K维数组t，表示分别属于K类时应该平移缩放的参数。

loss_cls层评估分类代价由真实分类u对应的概率决定： 

loss_bbox评估检测框定位代价。比較真实分类对应的预测参数tu和真实平移缩放参数为v的差别： 

总代价为两者加权和如果分类为背景则不考虑定位代价： 

分类和位置调整都昰通过全连接层(fc)实现的，设前一级数据为x后一级为y全连接层参数为W，尺寸u×v一次前向传播(forward)即为： 

将W进行SVD分解，并用前t个特征值近似： 

原来的前向传播分解成两步： 

在实现时相当于把一个全连接层拆分成两个，中间以一个低维数据相连 

在github的源码中，这部分似乎没有实現

实验过程不再详述，只记录结论 
- 网络末端同步训练的分类和位置调整提升准确度 
- 使用多尺度的图像金字塔，性能几乎没有提高 
- 更多候选窗不能提升性能

同年作者团队又推出了Faster RCNN进一步把检测速度提高到准实时，可以参看 

我要回帖

更多关于 on the computer 的文章

 

随机推荐