深度学习中对 end2end的理解
来源:互联网 发布:天策雪河军爷捏脸数据 编辑:程序博客网 时间:2024/05/23 02:02
深度学习中对 end2end的理解
在神经网络中,经常看到end2end的训练方式。
end2end在不同的应用场景中有不同的诠释,对于视觉领域而言,神经网络的输入为图片,输出就是我们想要的结果。例如:
1,自动驾驶中,输入为道路的图片,输出就是转向的角度。
2,视觉机器人,输入的是图片,输出就是机械手运动的指令。
3,目标识别中,输入为待检测图片,输出就是检测到的目标类别以及目标位置。
从目标检测的角度理解:
非end2end模式下进行目标检测,一般神经网络中会分为两个部分,第一部分是Region Proposal,这部分的功能是负责找出图片中目标的位置和大小。第二部分就是判断第一部分中是否真的存在目标,以及目标是属于哪一类,判断一般是在CNN中来完成的。这种套路一般都是在RCNN中经常使用。
在end2end模式下,位置和类别全部由一个模型解决,原始图像输入,模型输出的结果就是位置和类别。一端输入原始图像,一端输出想要的结果,只关心输入和输出,中间的步骤全部都不管。
end2end的好处:
通过缩减人工预处理和后续处理,尽可能使模型从原始输入到最终输出,给模型更多的可以根据数据自动调节的空间,增加模型的整体契合度。end2end强调的是全局最优,中间部分局部最优并不能代表整体最优。
阅读全文
0 0
- 深度学习中对 end2end的理解
- 深度学习 end2end
- 深度学习中对神经网络的理解
- 对“深度学习”的一些理解
- 对深度强化学习的理解
- 关于深度学习中Dropout的理解
- 关于深度学习中Dropout的理解
- 对深度学习(Deep Learning)的理解【一】
- 对深度学习训练模型过程的理解
- OpenCV对IplImage类中图像深度的理解
- 对数组的深度理解
- 深度学习中关于epoch的几个词汇的理解
- 《DEEP LEARNING(深度学习)》中译文序的理解
- 深度学习中Batch size对训练效果的影响
- 现阶段对数据库中知识发现KDD、数据挖掘、集成学习、深度学习、机器学习、人工智能、统计学、大数据、云计算的个人理解:
- 深度学习基本概念的理解
- 理解深度学习的局限性
- 深度学习的简单理解
- zoj-3721(贪心)
- 栈地址分配
- 爬虫闯关——2
- 利用servlet去动态的导出一个Excel表格
- 2138-图结构练习——BFSDFS——判断可达性
- 深度学习中对 end2end的理解
- spring单例模式
- Android开发学习(13)Retrofit访问REST服务
- 工作笔记,读取txt中指定内容
- JAVA字符串格式化-String.format()的使用
- 第11章 异常、断言、日志和调试
- javascript高级程序设计第三版 第10章 DOM
- 快速排序
- easy ui 隐藏文本框