AlexNet (2012) The network had a very similar architecture as LeNet by Yann LeCun et al but was deeper, with more filters per layer, and with stacked convolutional layers. It consisted
转载
2024-09-24 19:22:59
63阅读
YOLO v1网络结构：VGG16 + YOLO检测头 [ [conv + leaky_relu]*n + maxPooling ]*n + FC -->> 7×7×30 1次下采样通过conv s=2实现，5次下采样通过maxpooling实现，感受野2^ (1+5) = 64×64。 VGG16结构如下图第C列：输出形状的理解：7×7代表映射到输入图像后，分为7×7个格子；30代表
因为工作原因，项目中经常遇到目标检测的任务，因此对目标检测算法会经常使用和关注，比如Yolov3、Yolov4、Yolov5、Yolox算法。当然，实际项目中很多的第一步，也都是先进行目标检测任务，比如人脸识别、多目标追踪、REID、客流统计等项目。因此目标检测是计算机视觉项目中非常重要的一部分。从2018年Yolov3年提出的两年后，在原作者声名放弃更新Yolo算法后，俄罗斯的Alexey大神扛
CenterNet极简的网络结构，CenterNet只通过FCN（全卷积）的方法实现了对于目标的检测与分类，无需anchor与nms等复杂的操作高效的同时精度也不差。同时也可以很将此结构简单的修改就可以应用到人体姿态估计与三维目标检测之中。后面一些针对CenterNet结构应用于其他任务，也取得不错的效果，比如人脸检测CenterFace以及目标追踪CenterTrack与FairMot。 Yol
转载
2024-06-16 21:49:07
295阅读
模块解析结构目录01.Focus模块 02.Conv模块 03.Bottleneck模块 04.C3模块 05.SPP模块01.Focus模块作用：下采样 输入：data( 3×640×640 彩色图片) Focus模块的作用是对图片进行切片，类似于下采样，先将图片变为320×320×12的特征图，再经过3×3的卷积操作，输出通道32，最终变为320×320×32的特征图，是一般卷积计算量的4倍，
转载
2024-07-09 21:54:28
98阅读
论文名称：RepVGG: Making VGG-style ConvNets Great Again 论文下载地址：https://arxiv.org/abs/2101.03697 官方源码（Pytorch实现）：https://github.com/DingXiaoH/RepVGG 文章目录0 前言1 RepVGG Block详解2 结构重参数化2.1 融合Conv2d和BN2.2 Conv2d
前言 这段时间到了新公司，工作上开始研究DeepLearning以及TensorFlow，挺忙了，前段时间看了VGG和deep residual的paper，一直没有时间写，今天准备好好把这两篇相关的paper重读下。 VGGnet VGG解读 VGGnet是Oxford的Visual Geometry Group的team，在ILSVRC 2014上的相关工作，主要工作是证明了增加网络的深度能
深度学习——分类之ResNeXt论文：Aggregated Residual Transformations for Deep Neural Networks
作者：Saining Xie, Ross Girshick, Piotr Dollár, Zhuowen Tu, Kaiming HeImageNet Top5错误率：3.03%中心思想：Inception那边把ResNet拿来搞了Ince
转载
2024-05-19 09:55:08
46阅读
文章目录1.Keras封装实现 LeNet网络-5（1998）2.Keras封装实现 Alex-Net网络-8(2012)3.Keras封装实现 ZF-Net网络-8（2013）4.Keras封装实现 VGG-16网络 （2014）VGG-16网络VGG-19网络 （2014）5.Keras封装实现 Google-Net网络-22（2014）InceptionGoogleNet6.Keras封装
转载
2024-07-29 09:11:13
443阅读
1、Introduction提出问题：随着网络越来越深，梯度就会出现爆炸或者消失 解决方法： 1、在权重随机初始化的时候，不要特别大也不要特别小 2、在中间加入一些normalization,包括BN（batch normalization)可以使得校验每个层之间的输出和梯度的均值和方差相对来说比较深的网络是可以训练的，避免有一些层特别大，有一些层特别小，使用这些技术之后能够收敛，但是当网络变深的
转载
2024-05-13 09:47:47
931阅读
这是微软方面的最新研究成果， 在第六届ImageNet年度图像识别测试中，微软研究院的计算机图像识别系统在几个类别的测试中获得第一名。本文是解决超深度CNN网络训练问题，152层及尝试了1000层。随着CNN网络的发展，尤其的VGG网络的提出，大家发现网络的层数是一个关键因素，貌似越深的网络效果越好。但是随着网络层数的增加，问题也随之而来。首先一个问题是 vanishing/exploding g
转载
2024-04-29 19:21:08
51阅读
如果您喜欢我的文章，欢迎关注我的专栏。
ResNet和DenseNet是计算机视觉领域的经典工作，作为CVPR 2016和2017的best paper，两者不仅有很强的创新性，而且大道至简，给了我们很好的启发。本文的目的是解读一下ResNet和DenseNet中那些影响深远的创新，让我们对网络架构有更深刻的思考。
ResNet（Deep Residual Learning
转载
2024-04-07 08:39:42
250阅读
AlexNetAlexNet是在IMAGENET比赛中第一个获奖的CNN结构。VGGNetVGGNet和AlexNet实际上都是对最传统的CNN进行重复堆叠的实践，将效果较好的结构记录下来方便以后继续使用，常用的有vgga(11层)，vgg16和vgg19。结构如下： (示意图来自于cs231n的课件，有一点小问题，vgg16应该是3个conv层后接pool)ResNet论文原文 https:
转载
2024-03-17 15:10:39
47阅读
CNN史上的一个里程碑事件是ResNet模型的出现，ResNet可以训练出更深的CNN模型，从而实现更高的准确度。ResNet模型的核心是通过建立前面层与后面层之间的“短路连接”（shortcuts，skip connection），这有助于训练过程中梯度的反向传播，从而能训练出更深的CNN网络。DenseNet模型，建立的是前面所有层与后面层的密集连接（dense connection），它的名
原创
2023-12-13 12:01:27
175阅读
卷积网络LeNet5LeNet5 诞生于1994年，是最早的深层卷积神经网络之一，并且推动了深度学习的发展。从1988年开始，在多次成功的迭代后，这项由Yann LeCun完成的开拓性成果被命名为LeNet5。LeCun认为，可训练参数的卷积层是一种用少量参数在图像的多个位置上提取相似特征的有效方式，这和直接把每个像素作为多层神经网络的输入不同。像素不应该被使用在输入层，因为图像具有很强的空间相
转载
2024-09-26 12:29:22
170阅读
目录一. 创新点1. 先看看MobileNetV2 和 V1之间有啥不同2. 再看看MobileNetV2的block 与ResNet 的block：二. 正文三. MobileNet-V2网络结构参考资料MobileNetV2是对MobileNetV1的改进，同样是一个轻量化卷积神经网络。一. 创新点1. Inverted residuals，通常的residuals block是先经
DenseNet实现代码DenseNetDenseNet模型的基本思路与ResNet一致，但它是前面所有层与后面层的密集连接（dense connection），它的名称也是由此而来。 如下图所示： 如上图所示，DenseNet每两个层之间都有直接的连接，因此该网络的直接连接个数为。 对于每一层，使用前面所有层的特征映射作为输入，并且其自身的特征映射作为所有后续层的输入。DenseNet的优点:
转载
2024-02-19 20:21:47
137阅读
Darknet is an open source neural network framework written in C and CUDA. It is fast, easy to install, and supports CPU and GPU computation.—— https://pjreddie.com/darknet/本文是对使用 darknet 进行目标检测的小结，包括：
VGGNet是由牛津大学的视觉几何组（Visual Geometry Group）和谷歌旗下DeepMind团队的研究员共同研发提出的，获得了ILSVRC 2014（ 2014年ImageNet图像分类竞赛） 的第二名，将 Top-5错误率降到7.3%， 在Top-5中取得了92.3%的正确率，同年的冠军是googlenet。 目前使用比较多的网络结构主要有ResNet（152-1000层），Go
转载
2024-05-01 14:23:12
94阅读
resnet可以看作VGG16来使用，Resnet50中50表示容量，是resNet中最小的容量了resNet不是被设计用来和大量的标准密集层一起使用的，而是和global average pooling层一起使用的。最初的resnet是在imagenet中训练的，vgg就是卷积-》激活-》卷积。。，resnet就是有relu在上面的卷积层resNet Block：和vgg的区别，vgg的卷积-》
转载
2024-03-13 16:09:43
153阅读
