转载
2023-07-30 23:33:42
216阅读
在前段时间，苹果和中国移动为iPhone 6/6s(Plus)的用户推送一个运营商文件，引起了一股VoLTE讨论热潮，而在小米5手机发布会上，雷军口中也说出了一个“窝体”（VoLTE）。VoLTE这个看似高大上的单词，包括电信运营商、手机、芯片厂商们，都把VoLTE作为一个卖点服务、功能来推广宣传，那么这个VoLTE究竟是什么呢？ VoLTE是什么？ VoLTE为英文Voice Over LT
转载
2024-01-02 13:41:01
219阅读
LTE（长期演进）下行链路 PHY（物理）层处理链路可以认为是下行链路共享信道（DLSCH）和物理下行链路共享信道（PDSCH）处理的组合。DLSCH 即 下行链路传输信道 TrCH。LTE下行链路物理模型描述，具体可参照之前文章： 本节主要学习 LTE物理信道的调制与解调功能，文末给出仿真代码。1、调制LTE使用的调制方案包括：QPSK, QAM1
转载
2023-12-01 12:10:12
355阅读
LetNet5 这个是其网络结构。 下面我们详细介绍该网络结构，在此之前，先约定一些称呼：feature maps（f.maps）是每层网络的特征图；stride是卷积核的步长；C1层的特征图大小为28×28×6，其中28×28表示特征图的高度×宽度，6表示特征图的通道数；该层使用的卷积核大小5×5×1×6，表示高度×宽度×输入通道数×输出通道数。 首先是输入层，输入图像大小统一归一化为32×32
转载
2023-09-30 09:22:03
179阅读
根据 GitHub - RangiLyu/nanodet: NanoDet-Plus⚡Super fast and lightweight anchor-free object detection model. ?Only 980 KB(int8) / 1.8MB (fp16) and run 97FPS on cellphone?打印调试得出NanoDetPlus(
(backbo
转载
2023-05-27 10:18:11
245阅读
Stage1为Conv， Stage2~8为MBConv，Stage9为Conv + Pooling + FC第三列Resolution(分辨率)为输入每个Stage时的分辨率(高度和宽度)第四列Channels为每个Stage输出特征矩阵的通道数第五列Layers为将对应的Stage重复多少次第六列stride(步距)为对应每一个Stage中的第一个Operator的步距，其余Operator的
转载
2024-04-01 10:37:40
225阅读
RPN(RegionProposal Network)区域生成网络 Faster-RCNN的核心。在这里整理。1.anchors。 思路：1、先通过conv层+pooling层+relu层，可以是vgg，得到feature maps。2、在feature maps上提取对应的图。在第一步基础上，先通过rpn生成region proposals。通过softmax判断anchors（9个框），是fo
SegNet网络结构网络架构EncoderDecoder贴一张我的处理结果吧 刚刚接触深度学习–semantic segmentation相关的研究，对SegNet的网络结构进行了学习，虽然已经有了很多的解释，还是想要自己写一下，将整体结构做一个梳理。博客底部附有参考链接，感谢大神们的分析以及代码的赞助。SegNet是通过对图像中每一个像素点进行分类，识别每一个像素点的类别来实现图像的分割。其思
转载
2024-04-28 22:29:59
83阅读
不同特征层特点：低层特征：语义信息较少，目标位置明确高层特征：语义信息丰富，目标位置粗略FPN特点：预测在不同的特征层独立进行，顶层特征上采样和低层特征做融合。算法大致结构如下图所示：一个自底向上的线路(Bottom-up pathway)，一个自顶向下的线路(Top-down pathway)，横向连接(Lateral connection)自底向上： 即网络的前向过程，将不改变feature
转载
2024-06-26 20:07:58
59阅读
一.概述常用文字识别算法主要有两个框架： CNN+RNN+CTC(CRNN+CTC)CNN+Seq2Seq+Attention本文介绍第一种方法。CRNN是一种卷积循环神经网络结构，用于解决基于图像的序列识别问题，特别是场景文字识别问题。文章认为文字识别是对序列的预测方法，所以采
转载
2024-03-15 11:36:34
105阅读
这篇文章只讲述我看完视频和代码之后对ViT的理解，特别是代码中是怎么实现的网络结构。1.整体结构 这是论文中给出的图，整体思想就是将图片给切成一个个patch，将patchs看作是NLP中的单词输入进网络，通过数个Transformer Encoder后输出class token来进行分类。整体的结构还是很清晰的，接下来我就结合代码来一步步讲解ViT是怎样通过代码实现的。 2.
转载
2024-03-30 18:03:13
288阅读
name: "vgg_1/8" layer { name: "data" type: "AnnotatedData" top: "data" top: "label" include { phase: TRAIN } transform_param { mirror: true mean_value: 104.0 mean_value:...
转载
2018-06-24 19:31:00
257阅读
2评论
前言：参考内容来自up：6.1 ResNet网络结构，BN以及迁移学习详解_哔哩哔哩_bilibiliup的代码和ppt：https://github.com/WZMIAOMIAO/deep-learning-for-image-processing一、简介ResNet 网络是在 2015年原论文地址：[1512.03385] Deep Residual Learning for Image Re
转载
2024-02-22 14:19:53
264阅读
参考目录：目录1 铺垫2 展开3 主体4 高潮5 最后一提1 铺垫在计算机视觉领域，全卷积网络（FCN）是比较有名的图像分割网络，医学图像处理方向，U-Net可以说是一个更加炙手可热的网络，基本上所有的分割问题，我们都会拿U-Net先看一下基本的结果，然后进行“魔改”。U-Net和FCN非常的相似，U-Net比FCN稍晚提出来，但都发表在2015年，和FCN相比，U-Net的第一个特点是完全对称，
转载
2024-04-03 23:34:34
75阅读
一、VGG16的结构层次VGG16总共有16层，13个卷积层和3个全连接层，第一次经过64个卷积核的两次卷积后，采用一次pooling，第二次经过两次128个卷积核卷积后，采用pooling；再经过3次256个卷积核卷积后。采用pooling，再重复两次三个512个卷积核卷积后，再pooling，最后经过三次全连接。1、附上官方的vgg16网络结构图:conv3-64的全称就是convolutio
转载
2023-10-20 20:23:49
95阅读
从高层次的网络架构来看，LTE是由以下三个主要组件：用户设备 (UE).进化UMTS地面无线接入网 (E-UTRAN).分组核心演进 (EPC).演进分组核心网与分组数据网络诸如因特网，专用企业网络或IP多媒体子系统在外界连通。系统不同部分之间的接口，Uu，S1和SGI表示，如下所示： 一、用户设备 (UE)用于LTE的用户设备的内部结构是相同的使用UMTS和GSM中的一项，它实际上是一
转载
2023-07-07 14:22:10
1695阅读
一、概述论文：Densely Connected Convolutional Networks 论文链接：https://arxiv.org/pdf/1608.06993.pdf作为CVPR2017年的Best Paper, DenseNet脱离了加深网络层数(ResNet)和加宽网络结构(Inception)来提升网络性能的定式思维,从特征的角度考虑,通过特征重用和旁路(Bypass)设置,既大
转载
2024-03-22 15:49:31
113阅读
虽然很多人写过关于StyleGan的帖子，为了加深自己的理解，决定再啰嗦一遍。StyleGan生成器这部分用来介绍StyleGan生成器网络结构图。示意图如下（1）传统的Gan生成器，由latent code 作为输入，生成图片。而StyleGan却是由一个常量通过生成网络生成图片的。而在StyleGan中latent code 经过一个多层感知器MLP，将隐特征空间Z映射到另一个隐特征空间W，\
转载
2024-04-29 10:47:21
143阅读
注意：本文章有很多图，但是都是YOLOv3的结构图，只是每张图表达出的信息都各有特色，可将这些结构图结合起来，能更好的理解。1.Darknet-53 模型结构在论文中虽然有给网络的图，但我还是简单说一下。这个网络主要是由一系列的1x1和3x3的卷积层组成（每个卷积层后都会跟一个BN层和一个LeakyReLU)层，作者说因为网络中有53个convolutional layers，所以叫做Darkne
转载
2024-04-15 09:47:16
68阅读
博客来源于：；；ResNet指出，在许多的数据库上都显示出一个普遍的现象：增加网络深度到一定程度时，更深的网络意味着更高的训练误差。误差升高的原因是网络越深，梯度消失的现象就越明显，所以在后向传播的时候，无法有效的把梯度更新到前面的网络层，靠前的网络层参数无法更新，导致训练和测试效果变差。所以ResNet面临的问题是怎样在增加网络深度的情况下有可以有效解决梯度消失的问题。ResNet中解决深层网络
转载
2024-02-14 13:53:18
116阅读
