论文：Aggregated Residual Transformations for Deep Neural Networks 论文链接：https://arxiv.org/abs/1611.05431 PyTorch代码：https://github.com/miraclewkf/ResNeXt-PyTorch 这是一篇发表在2017CVPR上的论文，介绍了ResNet网络的升级版：ResNe
转载
2024-04-25 10:57:47
184阅读
月池宁可不写随笔，也不写糊弄人的随笔
解决的问题： 由于梯度消失，深层网络很难训练。因为梯度反向传播到前面的层，重复相乘可能使梯度无穷小。结果就是，随着网络的层数更深，其性能趋于饱和，甚至迅速下降。核心思想： 引入一个恒等快捷键（也称之为跳跃连接线），直接跳过一个或者多个层。如图一 图一 当有这条跳跃连接线时，网络层
转载
2023-05-26 03:22:07
365阅读
图1(a)表示使用图像金字塔来构造特征金字塔，每一张图像都会独立地计算出它的特征。速度慢，消耗大量显存。 (b)表示利用单一尺度的特征图做目标检测，典型的是SPP-Net、Fast R-CNN和Faster R-CNN等，这些网络将原图通过卷积神经网络生不同层次的特征图，但是检测系统基于最后一层特征图。 ©是利用了原图经过卷积神经网络在不同层次生成的特征图进行预测，而不仅限于最后一层。SSD 检
转载
2024-10-14 14:40:54
42阅读
FPN(Feature Pyramid Networks) FPN解决了什么问题？ 答：FPN的提出是为了实现更好的feature maps融合，一般的网络都是直接使用最后一层的feature maps，虽然最后一层的feature maps 语义强，但是位置和分辨率都比较低，容易检测不到比较小的物体。FPN的功能就是融合了底层到高层的feature maps ，从而充分的利用了提取到的各个阶段的
转载
2024-04-06 09:32:11
282阅读
在深度学习的网络中，个人认为最基础的还是残差网络，今天分享的并不是残差网络的理论部分，大家只要记住一点，残差网络的思想是贯穿后面很多网络结构之中，看懂了残差网络结构，那么后面的一些先进的网络的结构也很容易看懂。残差网络整体结构 一、残差块结构 前50层所对应的残差块结构（不包含第50层）代码如下：class BasicBlock(nn.Module):
expansio
转载
2024-02-26 17:01:35
186阅读
目录一、model配置文件->rpn_head二、rpn_head详解1、anchor_generator->AnchorGenerator2、bbox_coder->DeltaXYWHBBoxCoder3、oss_cls->CrossEntropyLoss4、loss_bbox->L1Loss 一、model配置文件->rpn_headmodel = dic
转载
2024-09-24 07:23:44
145阅读
对用卷积神经网络进行目标检测方法的一种改进，通过提取多尺度的特征信息进行融合，进而提高目标检测的精度，特别是在小物体检测上的精度。FPN是ResNet或DenseNet等通用特征提取网络的附加组件，可以和经典网络组合提升原网络效果。一、问题背景网络的深度（对应到感受野）与总stride通常是一对矛盾的东西，常用的网络结构对应的总stride一般会比较大（如32），而图像中的小物体甚至会小于stri
转载
2024-07-30 15:35:04
71阅读
1.ResNet论文地址：ResNet ResNet在PyTorch的官方代码中共有5种不同深度的结构分别为18、34、50、101、152，和论文的完全一致。如下图所示，下图是论文的截图。 根据Block类型，可以将这五种ResNet分为两类:一种是基于BasicBlock；另一种基于Bottleneck。1.1 Block前面的层 如下图所示， 上图红色框的层的具体结构如下图所示，这里只
转载
2024-04-28 16:02:21
0阅读
统计学习三要素（模型，策略，算法）：模型：假设空间，假设输入到输出之间的关系，获得一个参数向量策略：按照什么准则（损失函数，风险函数，经验风险函数=>结构风险函数）选择最好的模型算法：学习模型的具体计算方法统计学习三要素统计学习三要素个人理解 卷积神经网络CNN卷积神经网络CNN完全指南终极版（一）卷积神经网络CNN完全指南终极版（二）《解析卷积神经网络——深度学习实践
转载
2024-04-07 21:29:37
138阅读
在看本文之前，请下载对应的代码作为参考：pytorch/vision/detection/faster_rcnn。总体结构花了点时间把整个代码架构理了理，画了如下这张图： (*) 假设原始图片大小是599x900主体部分分为这几大部分：Transform，主要是对输入图像进行转换Resnet-50，主干网，主要是特征提取FPN，主要用于构建特征金字塔给RPN提供输入特征图RPN，主要是产生regi
转载
2024-03-15 08:23:55
295阅读
pytorch fasterrcnn-resnet50-fpn 神经网络 目标识别 应用 —— 推理识别代码讲解（开源）项目地址二、推理识别代码讲解1、加载模型1）加载网络结构2）加载权重文件3）model状态配置2、图片推理推理——最最最关键的环节到了！boxes:labels:scores:boxes labels scores 是按照顺序对应的3、推理结果转换完整代码 项目地址完整代码放在
转载
2024-08-22 11:42:13
255阅读
一、ResNet 介绍ResNet(Residual Neural Network)由微软研究员的Kaiming He等4名华人提出，通过使用Residual Unit成功训练152层深的神经网络，在ILSVRC 2015的比赛中获得了冠军。取得了3.75%的top-5错误率，同时参数量却比VGGNet低，效率非常突出。在ResNet之前，瑞士教授Schmidhuber提出了Highway Net
转载
2024-05-24 18:36:47
80阅读
首先是Resnet系列，原始的resnet网络在输入层有一个7*7，s=2的大卷积和3*3，s=2的最大池化层，中间层是由3*3或1*1小卷积组成的残差块的堆叠，输出层是一个全局平均池化和预测类别的全连接。2.1 resnet-v2在resnet-v2网络中[54]，何恺明在原版的理论基础上做了组件的位置调换，如图8。在原有组件分布中，灰色路线的Relu在add之后，残差块的输出非负，不利于简化优
转载
2024-03-17 10:16:19
51阅读
1.在ResNet出现之前在2015年ResNet出现之前，CNN的结构大多如下图所示，通俗点说，用“卷积-maxpooling-ReLU”的方式，一卷到底，最后使用全连接层完成分类任务。大家普遍认为，卷积神经网络的深度对于网络的性能起着至关重要的作用，所以普遍将网络深度从AlexNet的几层增加到十几层甚至更多，比如VGG16、VGG19，也正如人们所想，增加深度确实增加了模型的性能。但深度继续
转载
2024-04-20 19:15:06
136阅读
如题。感觉物体检测框架还是比较复杂的，在这里理一下，一张图像从输入到输出，究竟被做了哪些操作。警告：可能存在大量不知道我在说啥的状况，这个博客针对自己的初步理解，还是不够细致和准确，我只是记录一下，防止自己忘记，并无科普目的。那么首先肯定是图像的预处理和增强。这个不必多说。假设处理完之后，图像的大小为3*800*1216。FasterRcnn-Resnet50-FPN由backbone，propo
转载
2024-04-25 09:12:33
197阅读
一. 环境准备 本文通过 TensorFlow 实现基于 Faster-RCNN 的行人检测，网络模型基于 VGG16 or ResNet。1. 准备 TensorFlow 环境
Tensorflow (>= 1.0.0)
安装对应 python 库：
[cpp]
view
1、 RestNet网络1.1、 RestNet网络结构ResNet在2015年被提出，在ImageNet比赛classification任务上获得第一名，因为它“简单与实用”并存，之后很多方法都建立在ResNet50或者ResNet101的基础上完成的，检测，分割，识别等领域里得到广泛的应用。它使用了一种连接方式叫做“shortcut connection”，顾名思义，shortcut就是“抄近
转载
2024-03-21 15:24:16
505阅读
总体架构1ROI对从RPN中选出来的1000个Proposal Boxes，以及从FPN中输出的多层特征图进行ROI Pool，对于box中的对象进行分类，并再次进行Proposal Boxes偏移（offset/delta）数值回归，产生新的分数和再次微调的box，以及得到标签，最后再次进行非极大值抑制(NMS)： 基于FPN的ROI处理会比传统的Faster RCNN多出一些步骤，要更加复杂一
转载
2024-03-27 15:53:31
106阅读
CVPR 2017论文，目标检测算法提升方法，对小物体提升明显。
对用卷积神经网络进行目标检测方法的一种改进，通过提取多尺度的特征信息进行融合，进而提高目标检测的精度，特别是在小物体检测上的精度。FPN是ResNet或DenseNet等通用特征提取网络的附加组件，可以和经典网络组合提升原网络效果。一、问题背景网络的深度（对应到感受野）与总stride通常
1.第一点疑问，关于AP50的计算方式的疑问，参考链接：，讲的比较清楚。2.第二点疑问，关于图像金字塔和特征金字塔，首先明确这两个东西是不同的，这点我是看文章明白的，推荐大家把原论文基本原理部分看一遍。3.关于横向连接，看了一篇博客是这么解释的，现在对横向连接有了第一个感觉就是怎么是这么融合的，ResNet每个阶段的输出和经过上采样之后的输出融合，对网络究竟影响在何处。另外我想研究FPN用在目标检
转载
2024-08-09 13:48:26
48阅读
