####1. 网络结构#####1.1 不同结构的对比VGG一共提供了6个网络版本，卷积层分为5个stage，不同的是，其他结构与A相同；结构 B：在 A 的 stage2 和 stage3 分别增加一个3x3的卷积层，stage3，stage5 分别增加一个1x1的卷积层，总计16层；结构D：在 C 的基础上，stage4，有13个卷积层，stage3，stage5 分别再增加一个3x3的卷积层
转载
2024-08-15 16:07:57
64阅读
本文主要介绍一下AlexNet、VGG、GoogLeNet以及ResNet这几个经典模型。顺便附上部分PyTorch实现。网上的各种介绍很多，我也就不再重复说了。这篇文章主要是说说自己的感想。今天看AlexNet其实已经颇为平淡了，毕竟这几年在网络工程上已经有了很大的进步，AlexNet的很多设计也不再被使用，例如LRN就被BN代替。不过当年AlexNet在两个GPU上跑的设计，倒是影响了后面出现
转载
2024-04-09 23:00:39
138阅读
一 实例探索卷积神经网络的基本构建，比如卷积层、池化层以及全连接层这些组件。事实上，过去几年计算机视觉研究中的大量研究都集中在如何把这些基本构件组合起来，形成有效的卷积神经网络。最直观的方式之一就是去看一些案例，就像很多人通过看别人的代码来学习编程一样，通过研究别人构建有效组件的案例是个不错的办法。实际上在计算机视觉任务中表现良好的神经网络框架往往也适用于其它任务，也许你的任务也不例外。也就是说，
转载
2024-08-31 06:56:15
144阅读
VGG网络 (Visual Geometry Group)介绍在 ImageNet 竞赛中 Localization Task(定位任务)第一名和 Classification Task(分类任务)第二名。论文地址: https://arxiv.org/abs/1409.1556 图1 VGG卷积网络配置
作者使用了11层、13层、16层、19层，分别进行使用。其中对比了卷积核大小为 和
转载
2024-06-02 18:34:10
155阅读
最近在搞文字识别，算是第一个比较正式的深度学习项目，连带看了一些文章。混淆了好多次。先记下目前对深度学习的一些理解。首先是特征提取器。 目前深度学习应用在CV（计算机视觉）和NLP（自然语言处理）领域。CV领域的特征提取器主要是CNN的各种变体。例如vgg，resnet，inceptionnet，mobilenet 之类的。别的不太清楚了。vgg没怎么看，resnet主要是残差连接模块能让网络更
转载
2024-05-16 06:04:50
55阅读
1.效果演示2.数据集的采集健康叶片中度虫害重度虫害3.分类网络的构建（1）vgg模型AlexNet问世之后，很多学者通过改进AlexNet的网络结构来提高自己的准确率，主要有两个方向：小卷积核和多尺度。而VGG的作者们则选择了另外一个方向，即加深网络深度。 故而vgg模型是加深了网络深度的AlexNet模型那么什么是AlexNet模型 网络总共的层数为8层，5层卷积，3层全连接层。（2）resn
转载
2024-05-31 23:47:09
62阅读
RepVGG: Making VGG-style ConvNets Great AgainAbstract我们提出了一种简单而强大的卷积神经网络架构，它具有一个类似于vgg的推理时间体，由3 × 3卷积和ReLU的堆栈组成，而训练时间模型具有多分支拓扑结构。这种训练时间和推理时间架构的解耦是通过结构重新参数化技术实现的，因此该模型被命名为RepVGG。在ImageNet上，RepVGG达到了80%
转载
2024-06-17 16:28:58
302阅读
YOLOv3: An Incremental ImprovementYOLOv3使用的网络比YOLOv1和YOLOv2都要大，但推断速度仍旧还算可以，与RetinaNet（另一个一阶段的网络）相比的话效果相当，但速度快了好几倍，和SSD对比也是如此。摘要和引言乃至全篇文章，写得非常口水话，更多是一篇博客而不是学术论文，本文也不避开这些口水话，尽量都翻译了。自述：作者说他这一年没做什么研究，花了大量
小总结一下Inception v1——Inception v4的发展历程1.Inception V1通过设计一个系数网络结构，但是能够产生稠密的数据，既能增加神经网络的表现，又能保证计算资源的使用效率。通过Split-Merge包含了1 * 1,3 * 3,5 * 5的卷积，3*3的池化，可以增加网络对多尺度的适应性，当然，增加了网络的宽度。这里v1网络给人眼前一亮的是有一个Bottleneck
转载
2024-03-24 10:42:22
75阅读
文章目录VGG网络亮点感受野感受野计算公式不同卷积核的参数大小RestNetResidual残差结构BN层计算均值和方差使用BN的注意事项迁移学习方式MobileNetV1网络亮点输入特征与卷积核关系Depthwise Separable Conv深度可分卷积V2网络中的亮点倒残差结构V3亮点更新Blockse模块重新设计耗时层结构重新设计激活函数shuffleNetv1 VGG网络vgg网络是
转载
2024-05-24 11:37:30
294阅读
这里的VGG指代各种平铺卷积的CNN，不带resnet那种shortcut。难得在这么浮躁的时代还有人在钻研改进VGG-style的CNN。VGG作为经典CNN的代表，事实上到如今都没有被淘汰，依然活跃在各种工程中。国际惯例，先放出原文：RepVGG: Making VGG-style ConvNets Great Again链接：https://arxiv.org/abs/2101.03697论
转载
2024-05-13 08:18:06
79阅读
前言VGG-Net是由牛津大学VGG（Visual Geometry Group）提出，是2014年ImageNet竞赛定位任务的第一名和分类任务的第二名的中的基础网络。VGG可以看成是加深版本的AlexNet，都是Conv layer + Pooling layer + FC layer，它主要的贡献是展示出网络的深度（depth）是算法优良性能的关键部分，并且小卷积核表现出了更好的效
转载
2024-05-29 11:31:46
166阅读
1 一些经典CNN模型这些经典CNN的架构已经没有学习的必要，只要知道它们引入了什么好的训练方法即可。1.1 LeNet最开始Yann Lecun发明的CNN即是LeNet，用来做手写数字的识别，LeNet-5是2层卷积+2层全连接+1层高斯连接（现在已经不怎么用了）。每层卷积操作后面还跟着下采样，这里的下采样就是使用例如隔行采样的传统下采样方法。1.2 AlexNet2012年Hinton的学生
转载
2024-06-15 22:56:25
170阅读
1 前言在计算机视觉领域，卷积神经网络（CNN）已经成为最主流的方法，比如最近的GoogLenet，VGG-19，Incepetion等模型。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
转载
2024-06-29 08:53:12
140阅读
一 实例探索上一节我们介绍了卷积神经网络的基本构建，比如卷积层、池化层以及全连接层这些组件。事实上，过去几年计算机视觉研究中的大量研究都集中在如何把这些基本构件组合起来，形成有效的卷积神经网络。最直观的方式之一就是去看一些案例，就像很多人通过看别人的代码来学习编程一样，通过研究别人构建有效组件的案例是个不错的办法。实际上在计算机视觉任务中表现良好的神经网络框架往往也适用于其它任务，也许你的任务也不
转载
2024-06-18 04:04:45
114阅读
什么是迁移学习当数据集没有大到足以训练整个CNN网络时，通常可以对预训练好的imageNet网络（如VGG16，Inception-v3等）进行调整以适应新任务。通常来说，迁移学习有两种类型：特征提取微调（fine-tuning）第一种迁移学习是将预训练的网络视为一个任意特征提取器。图片经过输入层，然后前向传播，最后在指定层停止，通过提取该指定层的输出结果作为输入图片的特征。第二种迁移学习需要更改
这里搜集了一些关于物体检测的方法分析和介绍，看好哪个可以去详细研究一下，基本都有论文或代码的链接。这里是简述各种方法，下面有详细叙述 方法选择： ========DPM=========使用传统的slider window的方法 计算量非常大 ========OverFeat====改进了Alex-net，并用图像缩放和滑窗方法在test数据集上测试网络；提出了一种图像定位的方法；最后
转载
2024-08-12 11:53:02
46阅读
参考：https://zhuanlan.zhihu.com/p/32116277 https://yq.aliyun.com/articles/598430 AlexNetAlexNet是一个较早应用在ImageN
转载
2024-03-22 08:32:01
717阅读
作者：PAI团队 进入正题前，本文是AI编译优化系列连载的第三篇，总纲请移步：AI编译--总纲。针对计算密集算子，我们的工作包括两大部分：围绕GPU硬件上的低精度算子开展了一系列优化工作，以充分发掘NV新硬件提供的以TensorCore为代表的专用硬件加速单元的计算效率。针对多种硬件设备(GPU/CPU/端侧CPU等)，以更具一般性的方式自动完成计算密集算子的codegen支持，这个工作的细节会在
转载
2024-09-02 11:02:57
59阅读
下一步改进faster rcnn的基本思路参考将Faster-RCNN中的VGG16替换成ResNet可以提高performance，不仅是detection，在segmentation，video analysis，recognition等其他领域，使用更深的ResNet都可以得到稳定的提升。在速度方面，ResNet比VGG16更慢，同时需要训练的次数也更多，同时内存占用量也远远大于VGG16，
转载
2024-04-27 07:10:24
171阅读
