L****8
发帖数: 3938 | 1 物体大形变 只能通过 data augmentation 进行题海战术 记住所有变化
物体形变 本身是连续变化 Lagrangian view
但是变成图像 用像素描述物体 就是 Eulerian view，所有的基本距离度量，在像素
空间内统统失效。
举个例子： 在MNIST数据集上
很多基于deformable model的算法 可以获得非常高的准确度 用很少的训练样本 完全
不用data augmentation
如果用DNN，那就非得data augmentation 才能获胜
100伪币悬赏 ---------------------------------------------
图像是一个三角形的瀑布从上而下流
两个任务
1）请设计一个多入单出的DNN regressor，从图片计算瀑布下尖位置(决定整个形状)
2）请设计一个generative DNN， 根据下尖位置生成瀑布图片
请用前64张图训练 后64张图测试
不用data augmentation 不用transfer learning
能做出来的 我出100伪币 估计google会给你100w美元 |
L****8
发帖数: 3938 | 2 就是凭借参数多 数据多 取胜
就是一个大容量存贮器和编码器而已
Geoffrey Hinton 称 CNN is doomed in long term
【在 L****8 的大作中提到】
: 物体大形变 只能通过 data augmentation 进行题海战术 记住所有变化
: 物体形变 本身是连续变化 Lagrangian view
: 但是变成图像 用像素描述物体 就是 Eulerian view，所有的基本距离度量，在像素
: 空间内统统失效。
: 举个例子： 在MNIST数据集上
: 很多基于deformable model的算法 可以获得非常高的准确度 用很少的训练样本 完全
: 不用data augmentation
: 如果用DNN，那就非得data augmentation 才能获胜
: 100伪币悬赏 ---------------------------------------------
: 图像是一个三角形的瀑布从上而下流
|
s*****V
发帖数: 21731 | 3 HINTON的胶囊网络不就是为了治这个的么？
【在 L****8 的大作中提到】
: 物体大形变 只能通过 data augmentation 进行题海战术 记住所有变化
: 物体形变 本身是连续变化 Lagrangian view
: 但是变成图像 用像素描述物体 就是 Eulerian view，所有的基本距离度量，在像素
: 空间内统统失效。
: 举个例子： 在MNIST数据集上
: 很多基于deformable model的算法 可以获得非常高的准确度 用很少的训练样本 完全
: 不用data augmentation
: 如果用DNN，那就非得data augmentation 才能获胜
: 100伪币悬赏 ---------------------------------------------
: 图像是一个三角形的瀑布从上而下流
|
L****8
发帖数: 3938 | 4 差远了 最新一篇文章 又走到了 cnn的邪路上了
【在 s*****V 的大作中提到】
: HINTON的胶囊网络不就是为了治这个的么？
|
L****8
发帖数: 3938 | 5 数据从google drive 下载
https://drive.google.com/open?id=15xXhSxYVriQBrhoXOiRxcFc5f20RktSd
【在 L****8 的大作中提到】
: 物体大形变 只能通过 data augmentation 进行题海战术 记住所有变化
: 物体形变 本身是连续变化 Lagrangian view
: 但是变成图像 用像素描述物体 就是 Eulerian view，所有的基本距离度量，在像素
: 空间内统统失效。
: 举个例子： 在MNIST数据集上
: 很多基于deformable model的算法 可以获得非常高的准确度 用很少的训练样本 完全
: 不用data augmentation
: 如果用DNN，那就非得data augmentation 才能获胜
: 100伪币悬赏 ---------------------------------------------
: 图像是一个三角形的瀑布从上而下流
|
L****8
发帖数: 3938 | 6 生成图片的matlab代码
I=zeros(128,64);
I(1:3,:)=1;
for x=1:128
Ix=I;
for t=1:x
ya=32*(x-t)/(x-1)+32;
yb=-32*(x-t)/(x-1)+32;
for y=1:64
if y <= ya && y >= yb
Ix(t,y)=1;
end
end
end
imwrite(Ix, ['Image' num2str(x) '.png'])
end
x是瀑布下尖位置 完全决定瀑布的形状和外观
【在 L****8 的大作中提到】
: 数据从google drive 下载
: https://drive.google.com/open?id=15xXhSxYVriQBrhoXOiRxcFc5f20RktSd
|
x****u
发帖数: 44466 | 7 这文非常不对题啊
原始深度CNN不是解决这种简单函数问题的
你要是想扯应该这样：咱们算100以内加减法，用什么CNN都比不上我C语言写的速度快
，正确率高
【在 L****8 的大作中提到】
: 物体大形变 只能通过 data augmentation 进行题海战术 记住所有变化
: 物体形变 本身是连续变化 Lagrangian view
: 但是变成图像 用像素描述物体 就是 Eulerian view，所有的基本距离度量，在像素
: 空间内统统失效。
: 举个例子： 在MNIST数据集上
: 很多基于deformable model的算法 可以获得非常高的准确度 用很少的训练样本 完全
: 不用data augmentation
: 如果用DNN，那就非得data augmentation 才能获胜
: 100伪币悬赏 ---------------------------------------------
: 图像是一个三角形的瀑布从上而下流
|
L****8
发帖数: 3938 | 8 你这个阿三全堆程序猿还是不要在我的帖子下扯淡了
【在 x****u 的大作中提到】
: 这文非常不对题啊
: 原始深度CNN不是解决这种简单函数问题的
: 你要是想扯应该这样：咱们算100以内加减法，用什么CNN都比不上我C语言写的速度快
: ，正确率高
|
x****u
发帖数: 44466 | 9 你这种打滚回帖，恰恰是CNN擅长生成的
度快
【在 L****8 的大作中提到】
: 你这个阿三全堆程序猿还是不要在我的帖子下扯淡了
|
L****8
发帖数: 3938 | 10 老邢应该提供给贴主删除回帖功能 屏蔽你这种全堆垃圾
【在 x****u 的大作中提到】
: 你这种打滚回帖，恰恰是CNN擅长生成的
:
: 度快
|
x****u
发帖数: 44466 | 11 友情提醒，不想被打脸的东西请发微信朋友圈，谁不给你点赞就把谁拉黑
不用谢我是雷锋
【在 L****8 的大作中提到】
: 老邢应该提供给贴主删除回帖功能 屏蔽你这种全堆垃圾
|
