开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

如何获取用于分类挑战的ImageNet ILSVRC 2012数据？

ImageNet ILSVRC 2012数据是一个广泛用于图像分类挑战的数据集，包含超过100万张图像，涵盖1000个不同类别。获取该数据集可以按照以下步骤进行：

访问ImageNet官方网站：http://www.image-net.org/。
注册一个账号并登录。
在网站上导航至"Downloads"（下载）页面。
在下载页面中，找到"ImageNet Large Scale Visual Recognition Challenge 2012 (ILSVRC2012)"（ImageNet大规模视觉识别挑战2012）数据集。
点击下载链接，根据提示完成下载。

需要注意的是，ImageNet ILSVRC 2012数据集非常庞大，总大小超过150GB。因此，在下载过程中可能需要耐心等待，并确保你有足够的存储空间来存储整个数据集。

对于ImageNet ILSVRC 2012数据集的应用场景，它可以用于图像分类、目标检测、图像分割等计算机视觉任务的训练和评估。通过使用该数据集，可以帮助开发者和研究人员在图像识别领域取得更好的性能。

腾讯云提供了一系列与图像处理和人工智能相关的产品和服务，可以帮助用户处理和分析ImageNet ILSVRC 2012数据集。以下是一些推荐的腾讯云产品和产品介绍链接：

腾讯云图像识别（https://cloud.tencent.com/product/imagerecognition）：提供了丰富的图像识别能力，包括图像分类、目标检测、图像分割等功能。
腾讯云人工智能平台（https://cloud.tencent.com/product/ai）：提供了多种人工智能相关的服务，包括图像处理、自然语言处理、语音识别等。
腾讯云对象存储（https://cloud.tencent.com/product/cos）：提供了可靠、安全的云存储服务，适合存储和管理大规模的图像数据集。
腾讯云GPU服务器（https://cloud.tencent.com/product/cvm/gpu）：提供了强大的GPU计算能力，适合进行深度学习和图像处理等计算密集型任务。

通过结合腾讯云的产品和服务，开发者可以更高效地处理和分析ImageNet ILSVRC 2012数据集，并实现各种图像分类挑战的应用。

相关搜索:如何在R中模拟用于随机森林的分类数据？如何获取文本文件并将其拆分成可用于机器学习分类器的数据？如何在sklearn中获取用于二进制分类的roc auc 如何编写用于从angular中的服务获取值的模拟数据如何使用owlready (python)获取用于生成本体的维基数据？如何从微服务中的不同服务中获取用于预验证的数据？如何在PHP代码中获取用于更新数据库的输入值如何获取属性实体的维基数据ID？有没有适用于python的API？当我使用用于NS3的MacTx TraceSource时，如何获取PointToPointNetDevice中数据包的源/目标IP地址？js负数为红色

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

深度 | 最后一届ImageNet挑战赛落幕，「末代」皇冠多被国人包揽

选自LSVRC 2017 机器之心编译参与：机器之心编辑部近日，ImageNet 最后一届挑战赛成绩已经公布，多个国内院校和企业在各个比赛项目上取得了非常不错的成绩。奇虎和南京信息工程大学团队分别在定位任务和检测任务上取得了最佳成绩。本文将首先介绍本次的比赛情况，并简要介绍优秀团队的建模方法。同时我们也关注了 WebVision 挑战赛近日公布的结果。在本次 ImageNet 竞赛中，南京信息工程大学和帝国理工学院的团队 BDAT 获得了目标检测的最优成绩，最优检测目标数量为 85、平均精确率为 0.

05

Scalable Object Detection using Deep Neural Networks

深度卷积神经网络最近在一系列图像识别基准测试中取得了最先进的性能，包括ImageNet大规模视觉识别挑战(ILSVRC-2012)。在定位子任务中获胜的模型是一个网络，它预测一个边界框和图像中每个目标类别的置信度得分。这样的模型捕获目标周围的整个图像上下文，但是如果不天真地复制每个实例的输出数量，就不能处理图像中相同目标的多个实例。在这项工作中，我们提出了一个显著性激发的神经网络模型用于检测，它预测了一组与类无关的边界框，以及每个框的一个得分，对应于它包含任何感兴趣的目标的可能性。模型自然地为每个类处理可变数量的实例，并允许在网络的最高级别进行跨类泛化。我们能够在VOC2007和ILSVRC2012上获得具有竞争力的识别性能，同时只使用每张图像中预测的前几个位置和少量的神经网络评估。

02

TF-Slim ImageNet数据集制作

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/Gavin__Zhou/article/details/80242998

02

Integrated Recognition, Localization and Detection using Convolutional Networks

我们提出了一个使用卷积网络进行分类、定位和检测的集成框架。我们认为在一个卷积网络中可以有效地实现多尺度和滑动窗口方法。我们还介绍了一种新的深度学习方法，通过学习预测目标的边界来定位。然后，为了增加检测的置信度，对边界框进行累积而不是抑制。我们证明了使用一个共享网络可以同时学习不同的任务。该集成框架是ImageNet Large scale evisual Recognition Challenge 2013 (ILSVRC2013)定位任务的获胜者，在检测和分类任务上获得了非常有竞争力的结果。在比赛后的工作中，我们为检测任务建立了一个新的技术状态。最后，我们从我们最好的模型中发布了一个名为OverFeat的特性提取器。

03

CVPR 2017 李飞飞总结 8 年 ImageNet 历史，宣布挑战赛最终归于 Kaggle

在 CVPR 2017 的 ImageNet Workshop 中，演讲者介绍了挑战赛的结果，回顾了物体识别领域的顶尖成果。同时，也有挑战赛获胜者介绍研究成果在产业中的部署等。在李飞飞与 Deng Jia 的演讲中，两位演讲者对 8 年的 ImageNet 挑战赛进行了回顾与总结，以下是基于 PPT 对演讲内容的介绍：

02

Very Deep Convolutional Networks for Large-Scale Image Recognition—VGG论文翻译—中文版

本文介绍了卷积神经网络在计算机视觉领域的应用，包括图像分类、目标检测、语义分割、姿态估计等任务。同时，本文还介绍了如何使用卷积神经网络对图像中的语义信息进行建模，并针对具体任务设计相应的网络结构和损失函数。最后，本文对卷积神经网络的发展趋势和未来研究方向进行了展望。

00

【谷歌升级ImageNet】大规模视觉理解竞赛WebVision冠军分享 | 新智元CVPR-17专题

【新智元导读】ImageNet 竞赛在今年正式完结。那么，图像识别未来的重点将是什么，ImageNet 竞赛之后又会出现什么呢？WebVision 竞赛被誉为接棒 ImageNet的大规模图像识别竞赛，今年有 100 多个团队参与。本文介绍 WebVision 竞赛，后附冠军团队码隆科技的技术分享。 2017 年 7 月 26 日，CVPR 2017 研讨会“超越 ILSVRC”将正式宣布 ImageNet 竞赛结束。然而，这并不代表着领域对图像识别兴趣的消退。实际上，相关的关注度正在走高。 ImageNe

VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION(VGG)

在这项工作中，我们研究了卷积网络深度对其在大规模图像识别设置中的准确性的影响。我们的主要贡献是使用一个非常小的(3×3)卷积滤波器的架构对增加深度的网络进行了全面的评估，这表明通过将深度提升到16-19个权重层，可以显著改善先前的配置。这些发现是我们提交的ImageNet挑战赛的基础，我们的团队在定位和分类方面分别获得了第一名和第二名。我们还表明，我们的表现可以很好地推广到其他数据集，在这些数据集上，他们可以获得最先进的结果。我们已经公开了两个性能最好的ConvNet模型，以便进一步研究如何在计算机视觉中使用深度视觉表示。

00

CVPR 2017 李飞飞总结 8 年 ImageNet 历史，宣布挑战赛最终归于 Kaggle

机器之心报道参与：机器之心编辑部 2017 年 7 月 18 日，ImageNet 最后一届挑战赛成绩已经公布，多个国内院校和企业在各个比赛项目上取得了非常不错的成绩。据官网信息，在 CVPR 2017 期间也会有一场 Workshop 以纪念 ImageNet 挑战赛。当地时间 7 月 26 日，李飞飞与 Jia Deng 在 ImageNet Workshop 上做主题演讲，对 8 年的 ImageNet 挑战赛历史进行了总结，并宣布之后的 ImageNet 挑战赛将转由 Kaggle 主办。最后，感

05

[翻译]VGGNET分类任务——VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION

VGGNet于2014年提出，在文献VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION 中有详细介绍。

09

极简主义！几行代码助力你快速分析模型的神器来啦

PPMA（Paddle Model Analysis）是一个基于飞桨实现的一个模型分析小工具，它以极简主义为特色，高度封装了飞桨代码以便让大家用最少的代码来完成模型的分析，目前所支持的功能有ImageNet精度验证、可视化图片Top5预测类别、测试模型Params、Throughput、类激活图可视化（CAM）、测试时数据增强（TTA）等，在这里你可以用最少三行代码来实现想要的功能。

01

王晓刚：图像识别中的深度学习

深度学习在物体识别中的应用 ImageNet图像分类深度学习在物体识别中最重要的进展体现在ImageNet ILSVRC3挑战中的图像分类任务。传统计算机视觉方法在此测试集上最低的错误率是26.172%。2012年，欣顿的研究小组利用卷积网络把错误率降到了15.315%。此网络结构被称为Alex Net，与传统的卷积网络相比，它有三点与众不同之处：首先，Alex Net采用了dropout的训练策略，在训练过程中将输入层和中间层的一些神经元随机置零。这模拟了噪音对输入数据的各种干扰使一些神经元对

02

ImageNet Classification with Deep Convolutional Neural Networks

我们训练了一个大型的深度卷积神经网络，将ImageNet lsvprc -2010竞赛中的120万幅高分辨率图像分成1000个不同的类。在测试数据上，我们实现了top-1名的错误率为37.5%，top-5名的错误率为17.0%，大大优于之前的水平。该神经网络有6000万个参数和65万个神经元，由5个卷积层和3个完全连接的层组成，其中一些卷积层之后是最大汇聚层，最后是1000路softmax。为了使训练更快，我们使用了非饱和神经元和一个非常高效的GPU实现卷积运算。为了减少全连通层的过拟合，我们采用了最近开发的正则化方法“dropout”，该方法被证明是非常有效的。在ILSVRC-2012比赛中，我们也加入了该模型的一个变体，并获得了15.3%的前5名测试错误率，而第二名获得了26.2%的错误率。

04

深度学习500问——Chapter12：网络搭建及训练（3）

Caffe深度学习框架支持多种编程接口，包括命令行、Python和Matlab,下面将介绍如何使用这些接口。

01

Very Deep Convolutional Networks for Large-Scale Image Recognition—VGG论文翻译—中英文对照

本文介绍了深度学习的背景和意义，并回顾了深度学习的历史。作者详细介绍了深度学习在计算机视觉、自然语言处理、语音识别等领域中的应用，并探讨了深度学习的挑战和未来发展方向。

00

生活角色主要包括哪些内容_简要介绍眼睛是的体位分类

即大名鼎鼎ImageNet2012竞赛的数据集，在图像分类数据集中属于最常用的跑分数据集和预训练数据集。

03

深度学习: ILSVRC竞赛

Large Scale Visual Recognition Challenge (ILSVRC)：

03

Deep Residual Learning for Image Recognition

更深层次的神经网络更难训练。我们提出了一个残差学习框架来简化网络的训练，这些网络比以前使用的网络要深入得多。我们显式地将层重新表示为参考层输入的学习剩余函数，而不是学习未引用的函数。我们提供了全面的经验证据表明，这些剩余网络更容易优化，并可以从大幅增加的深度获得精度。在ImageNet数据集上，我们评估了高达152层的剩余网—比VGG网[41]深8×，但仍然具有较低的复杂性。这些残差网的集合在ImageNet测试集上的误差达到3.57%，该结果在ILSVRC 2015年分类任务中获得第一名。我们还对CIFAR-10进行了100层和1000层的分析。在许多视觉识别任务中，表征的深度是至关重要的。仅仅由于我们的深度表示，我们获得了28%的相对改进的COCO对象检测数据集。深度残差网是我们参加ILSVRC & COCO 2015竞赛s1的基础，并在ImageNet检测、ImageNet定位、COCO检测、COCO分割等方面获得第一名。

01

深度学习100问-12：深度学习有哪些经典数据集？

很多朋友在学习了神经网络和深度学习之后，早已迫不及待要开始动手实战了。第一个遇到的问题通常就是数据。作为个人学习和实验来说，很难获得像工业界那样较高质量的贴近实际应用的大量数据集，这时候一些公开数据集往往就成了大家通往AI路上的反复摩擦的对象。

03

熬过深宫十几载，深度学习上位这五年

大数据文摘作品，转载要求见文末作者 | Thimira Amaratunga 编译 | 宁云州、吴双、张伯楠【深度学习】这个几年前还鲜为人知的术语，近期迅速蹿红，成为人尽皆知的大IP。不过在火起来之前，这个技术已经发展了十几年。人尽皆知前，深度学习是如何一步一步自我演化并走进公众视野的？ 1998年，Yann LeCun 发表Gradient-Based Learning Applied to Document Recognition，至今，深度学习已经发展了十几年了。以大家熟知的CNNs为代表的技术在

04

AI八大热门领域——2023那个合适您

其实很多的时候都是英文标注的，但是我相信国内的AI领域的博主多了之后就会出现纯中文的备注方案。

04

CNN卷积神经网络 ILSVRC-2012

训练一个庞大的深层卷积神经网络，将ImageNet LSVRC-2010比赛中的120万张1000种不同类别的高分辨率图像进行分类。在测试数据上，top-1和top-5的误差率分别为37.5%和17%，这比以往的先进水平都要好得多。它具有6000万个参数和650,000个神经元，该神经网络由五个卷积层，其中一些有池化层，和三个全连接层且有1000-way的softmax回归模型。使用非饱和神经元和GPU加速加快训练速度，并采用dropout正则化方法来减少全连接层中的过拟合，取得了不错的实验效果。同时，在ILSVRC-2012比赛中加入了该模型的一个变式，以15.3%的top-5误差率胜过第二的26.2%。

03

Rich feature hierarchies for accurate object detection and semantic segmentation

在PASCAL VOC标准数据集上测量的目标检测性能在最近几年趋于稳定。性能最好的方法是复杂的集成系统，它通常将多个低层图像特性与高层上下文结合起来。在本文中，我们提出了一种简单、可扩展的检测算法，相对于之前VOC 2012的最佳检测结果，平均平均精度(mAP)提高了30%以上，达到了53.3%。我们的方法结合了两个关键的方法：(1)为了定位和分割目标，可以一次将高容量应用卷积神经网络(cnn)自下而上的区域建议(2)标记的训练数据稀缺时，监督为辅助训练的任务，其次是特定于域的微调,收益率显著的性能提升。由于我们将区域建议与CNNs相结合，我们将我们的方法称为R-CNN:具有CNN特性的区域。我们还将R-CNN与OverFeat进行了比较，OverFeat是最近提出的一种基于类似CNN架构的滑动窗口检测器。在200类ILSVRC2013检测数据集上，我们发现R-CNN比OverFeat有较大的优势。

02

深度学习: ILSVRC竞赛

Large Scale Visual Recognition Challenge (ILSVRC)：

03

综述二 | 最全的目标检测大综述（附下载链接）

我们将从多个方面回顾对象检测的历史，包括里程碑检测器、目标检测数据集、指标和关键技术的发展。

02

深度学习简史（一）

1958年，Frank Rosenblatt 提出了感知机（注：有的资料认为是 1957 年提出的，本文以 Frank Rosenblatt 的文章《The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain》发表时间为准），这是一种非常简单的机器，后来成为今天智能机的核心和起源。感知机是一个非常简单的二元分类器，它可以判断输入的图像是否属于给定的类别。为了实现这一点，它使用单位阶跃函数作为激活函数。

02

获奖无数的深度残差学习，清华学霸的又一次No.1 | CVPR2016 最佳论文

图像识别的深度残差学习————联合编译：李尊，陈圳、章敏摘要在现有基础下，想要进一步训练更深层次的神经网络是非常困难的。我们提出了一种减轻网络训练负担的残差学习框架，这种网络比以前使用过的网络本质上层次更深。我们明确地将这层作为输入层相关的学习残差函数，而不是学习未知的函数。同时，我们提供了全面实验数据，这些数据证明残差网络更容易优化，并且可以从深度增加中大大提高精度。我们在ImageNet数据集用152 层--比VGG网络深8倍的深度来评估残差网络，但它仍具有较低的复杂度。在ImageNet测试集中，

【Ian Goodfellow盛赞】一个GAN生成ImageNet全部1000类物体

【新智元导读】Ian Goodfellow刚刚在Twitter盛赞一篇论文，担心仅仅浏览摘要无法充分体会其突破。这篇正在ICLR-18双盲审核中的论文，提出了一种叫做“谱归一化”的新的权重归一化方法，

Andrej Karpathy 最新演讲：计算机视觉深度学习技术与趋势 (104PPT)

2016年10月18日，世界人工智能大会技术分论坛，特设“新智元智库院长圆桌会议”，重量级研究院院长 7 剑下天山，汇集了中国人工智能产学研三界最豪华院长阵容：美团技术学院院长刘江担任主持人，微软亚洲研究院常务副院长芮勇、360人工智能研究院院长颜水成、北京理工大学计算机学院副院长黄华、联想集团副总裁黄莹、Intel 中国研究院院长宋继强、新华网融媒体未来研究院院长杨溟联袂出席。【新智元导读】这两天在斯坦福有场深度学习盛宴，Yoshua Bengio、吴恩达等人从不同角度讲解深度学习的前沿技术和挑战。本

08

回顾经典: AlexNet, CaffeNet — Winner of ILSVRC 2012

最近和同事交流很多来参加面试的应聘者的情况，很多都是介绍自己用了什么来做什么，但是对于内部的原理，都兵没有深入研究，现在深度学习框架都提供了非常便利的API，你可以轻松实现和搭建基础的网络，甚至可以直接照搬开源代码跑。

01

计算机视觉识别简史：从 AlexNet、ResNet 到 Mask RCNN

【新智元导读】 Medium 用户 Đặng Hà Thế Hiển 制作了一张信息图示，用专业、简洁并且最有吸引力的方式——信息图示，讲述计算机视觉（CV）物体识别的现代史。不仅总结了CV 6 大关键技术和目标识别的重要概念，整个信息图示从 2012年 AlexNet 赢得了 ILSVRC（ImageNet大规模视觉识别挑战赛）说起，总结了至今关键的 13 大模型及其概念，比如 VGGNet、ResNet、Inception 到最近的 Mask RCNN。作者特别强调，所有参考文献都精挑细选，以便读者能够

09

关于目标检测鼻祖R-CNN论文

R-CNN系列论文是使用深度学习进行物体检测的鼻祖论文，其中fast-RCNN 以及faster-RCNN都是沿袭R-CNN的思路。R-CNN全称region with CNN features，其实它的名字就是一个很好的解释。用CNN提取出Region Proposals中的featues，然后进行SVM分类与bbox的回归

03

20年的目标检测大综述（章节2）

今天我们接着上次综述章节1继续来大家来说说，本次主要说说20年内的目标检测，感谢大家的关注与支持。

03

【一图看懂】计算机视觉识别简史：从 AlexNet、ResNet 到 Mask RCNN

原文：medium 来源：新智元作者：Đặng Hà Thế Hiển 编译：新智元编辑部本文长度为5000字，建议阅读8分钟本文通过一张信息图示，讲述计算机视觉（CV）物体识别的现代史，总结CV 6 大关键技术和目标识别的重要概念。［导读］Medium 用户 Đặng Hà Thế Hiển 制作了一张信息图示，用专业、简洁并且最有吸引力的方式——信息图示，讲述计算机视觉（CV）物体识别的现代史。不仅总结了CV 6 大关键技术和目标识别的重要概念，整个信息图示从 2012年 AlexNet 赢

07

计算机视觉这一年：这是最全的一份CV技术报告

The M Tank 编辑了一份报告《A Year in Computer Vision》，记录了 2016 至 2017 年计算机视觉领域的研究成果，对开发者和研究人员来说是不可多得的一份详细材料。该材料共包括四大部分，在本文中机器之心对第一部分做了编译介绍，后续会放出其他部分内容。

01

ImageNet Classification with Deep Convolutional Neural Networks——AlexNet论文翻译——中文版

计算机视觉这一年：这是最全的一份CV技术报告

选自The M tank 机器之心编译参与：蒋思源、刘晓坤 The M Tank 编辑了一份报告《A Year in Computer Vision》，记录了 2016 至 2017 年计算机视觉领域的研究成果，对开发者和研究人员来说是不可多得的一份详细材料。该材料共包括四大部分，在本文中机器之心对第一部分做了编译介绍，后续会放出其他部分内容。内容目录简介第一部分分类/定位目标检测目标追踪第二部分分割超分辨率、风格迁移、着色动作识别第三部分 3D 目标人体姿势估计 3D 重建

06

计算机视觉这一年：这是最全的一份CV技术报告

The M Tank 编辑了一份报告《A Year in Computer Vision》，记录了 2016 至 2017 年计算机视觉领域的研究成果，对开发者和研究人员来说是不可多得的一份详细材料。该材料共包括四大部分，在本文中机器之心对第一部分做了编译介绍，后续会放出其他部分内容。内容目录简介第一部分分类/定位目标检测目标追踪第二部分分割超分辨率、风格迁移、着色动作识别第三部分 3D 目标人体姿势估计 3D 重建其他未分类 3D 总结第四部分卷积架构数据集不可分类的其他

05

Going Deeper with Convolutions——GoogLeNet论文翻译——中文版

00

计算机视觉面试中一些热门话题整理

通常在机器学习面试中，问完常见基础知识的技术问题之后会有具体的项目问题的讨论，所以这里准备了一些项目相关的话题，以可以帮助你准备和通过计算机视觉相关的面试。

05

【王晓刚】深度学习在图像识别中的研究进展与展望

深度学习是近十年来人工智能领域取得的最重要的突破之一。它在语音识别、自然语言处理、计算机视觉、图像与视频分析、多媒体等诸多领域都取得了巨大成功。本文将重点介绍深度学习在物体识别、物体检测、视频分析的最新研究进展，并探讨其发展趋势。 1. 深度学习发展历史的回顾现有的深度学习模型属于神经网络。神经网络的历史可追述到上世纪四十年代，曾经在八九十年代流行。神经网络试图通过模拟大脑认知的机理，解决各种机器学习的问题。1986 年Rumelhart，Hinton 和Williams 在《自然》发表了著名的

07

【深度学习】深度学习在图像识别中的研究进展与展望

深度学习是近十年来人工智能领域取得的最重要的突破之一。它在语音识别、自然语言处理、计算机视觉、图像与视频分析、多媒体等诸多领域都取得了巨大成功。本文将重点介绍深度学习在物体识别、物体检测、视频分析的最新研究进展，并探讨其发展趋势。 1. 深度学习发展历史的回顾现有的深度学习模型属于神经网络。神经网络的历史可追述到上世纪四十年代，曾经在八九十年代流行。神经网络试图通过模拟大脑认知的机理，解决各种机器学习的问题。1986 年Rumelhart，Hinton 和Williams 在《自然》发表了著名的反向传播算

08

ILSVRC竞赛详细介绍（ImageNet Large Scale Visual Recognition Challenge）

ILSVRC（ImageNet Large Scale Visual Recognition Challenge）是近年来机器视觉领域最受追捧也是最具权威的学术竞赛之一，代表了图像领域的最高水平。

03

nurtas aidarbekov_true image2018

Up主作为CV穷人代表，这一次想要触碰一下 papers 里最为活跃却又以 “Huge” 令穷人望而生畏的超级数据集: ImageNet 中的 ILSVRC2012. ---- 还记得依靠氪金

03

计算机视觉有哪些商业用途

什么是计算机视觉？为什么值得我们花时间去了解？它是怎么工作的？什么样的应用程序有商业价值？今天我们就一起来看看这个问题吧。

02

前Twitter资深工程师详解YOLO 2与YOLO 9000目标检测系统

AI研习社按：YOLO是Joseph Redmon和Ali Farhadi等人于2015年提出的第一个基于单个神经网络的目标检测系统。在今年CVPR上，Joseph Redmon和Ali Farhadi发表的YOLO 2进一步提高了检测的精度和速度。这次讲座的主讲人为王东，前硅谷资深工程师。讲解顺序和论文结构类似，先讲YOLO 2的网络结构，重点分析如何产生目标边框和分类，以及相关的损失函数。训练YOLO 2的第一步是在ImageNet上预先学习darknet-19，在224x224图像上，它仅需5.58

06

深度 | 详解CVPR2017最佳论文提名的 YOLO 2与 YOLO 9000物体检测系统

AI 科技评论按：YOLO是Joseph Redmon和Ali Farhadi等人于2015年提出的第一个基于单个神经网络的目标检测系统。在今年CVPR上，Joseph Redmon和Ali Farhadi发表的YOLO 2进一步提高了检测的精度和速度。这次 AI 科技评论邀请到了前硅谷资深工程师王东为大家详细解读 YOLO 2和 YOLO 9000的技术细节。讲解顺序和论文结构类似，先讲YOLO 2的网络结构，重点分析如何产生目标边框和分类，以及相关的损失函数。训练YOLO 2的第一步是在ImageNe

07

自然图像目标检测数据集汇总

所有的标注图片都有Detection需要的label，但只有部分数据有Segmentation Label。 VOC2007中包含9963张标注过的图片，由train/val/test三部分组成，共标注出24,640个物体。 VOC2007的test数据label已经公布，之后的没有公布（只有图片，没有label）。对于检测任务，VOC2012的trainval/test包含08-11年的所有对应图片。 trainval有11540张图片共27450个物体。对于分割任务， VOC2012的trainval包含07-11年的所有对应图片， test只包含08-11。trainval有 2913张图片共6929个物体。

04

计算机视觉有哪些商业用途

什么是计算机视觉？为什么值得我们花时间去了解？它是怎么工作的？什么样的应用程序有商业价值？今天我们就一起来看看这个问题吧。

02

NLP领域的ImageNet时代到来：词嵌入「已死」，语言模型当立

长期以来，词向量一直是自然语言处理的核心表征技术。然而，其统治地位正在被一系列令人振奋的新挑战所动摇，如：ELMo、ULMFiT 及 OpenAI transformer。这些方法因证明预训练的语言模型可以在一大批 NLP 任务中达到当前最优水平而吸引了很多目光。这些方法预示着一个分水岭：它们在 NLP 中拥有的影响，可能和预训练的 ImageNet 模型在计算机视觉中的作用一样广泛。

03

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭