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
YOLO v2相比与yolo v1，yolo v2的更新主要体现在以下几方面：主干网络的更新、引入anchor机制、以及一些小细节比如global avgpooling、类似v3中FPN的passthrough结构、使用了BN层而弃用了dropout等等。1. 主干网络的更新 使用了darknet19代替了原来的vgg16，mAP基本没变但参数量减少，从而训练和预测的速度提高。我认为主要功劳是通过
转载
2024-07-19 09:51:07
110阅读
####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
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
138阅读
目录一、YOLO，以及与其他目标检测方法的区别二、论文思想三、网络架构四、YOLO的不足五、YOLO的优点六、学习小结本周学习小结： 本周主要学习了yolo v1整篇论文，因为我是刚接触目标检测方面的东西，所以对论文其中涉及的一些知识点和网络细节进行了补充学习，加深了对目标检测方法的理解和认知。接下来的内
转载
2024-04-15 14:55:20
235阅读
RESNET 随着网络深度增加，网络的准确度应该同步增加，当然要注意过拟合问题。但是网络深度增加的一个问题在于这些增加的层是参数更新的信号，因为梯度是从后向前传播的，增加网络深度后，比较靠前的层梯度会很小。这意味着这些层基本上学习停滞了，这就是梯度消失问题。深度网络的第二个问题在于训练，当网络更深时意味着参数空间更大，优化问题变得更难，因此简单地去增加网络深度反而
转载
2024-03-20 11:43:51
166阅读
目录1. 介绍2. tools 代码文件夹2.1 get_palette 2.2 transform 3. train 部分4. 结果展示1. 介绍本文使用resnet 34作为backbone代替传统unet的 vgg，实现对PASCAL VOC的分割训练了两百个epoch后，mean iou到达了0.4左右，没有达到预期的效果完整的下载地址：基于UNn
神经网络学习小记录46——Densenet模型的复现详解学习前言什么是Densenet代码下载Densenet1、Densenet的整体结构2、DenseBlock3、Transition Layer网络实现代码 学习前言什么是DensenetResNet模型的出现使得深度学习神经网络可以变得更深，进而实现了更高的准确度。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（shortc
转载
2024-08-21 11:02:20
150阅读
yolo3与SSD、retinaNet等在MAP和时间上的对比：(关于MAP:MAP的全称为mean average precision，也就是均值平均精度，好多时候都直接称为准确度，它是的AP取的均值，比如在一个识别任务里面会有好多类目标，而每一类里面有多个不同的具体目标，每个目标的预测结果与真实结果之间的差别用precision来表示，对这一类平均就是AP，对每一类取均值，那就是M
Yolo V3 上图三个蓝色方框内表示Yolov3的三个基本组件：CBL：Yolov3网络结构中的最小组件，由Conv+Bn+Leaky_relu激活函数三者组成。Res unit：借鉴Resnet网络中的残差结构，让网络可以构建的更深。ResX：由一个CBL和X个残差组件构成，是Yolov3中的大组件。每个Res模块前面的CBL都起到下采样的作用，因此经过5次R
转载
2024-06-13 21:01:48
215阅读
yolo几代的区别YOLO V1head检测头s=7backbone是googleNetYOLO V2开始预测偏移量检测头s=13 bounding box设置为五个，为了速度和准确度同时满足Backbone卷积尺寸变小，vgg net论文得到一个结论， 7* 7卷积可以用更小的卷积代替，且 33卷积更加节约参数，使模型更小 网络可以做得更深，更好地提取到特征。为什么？因为每做一次卷积，后面都会接
转载
2024-05-15 19:24:28
574阅读
上图所示为PP-YOLO的主要结构，不同于YOLOv4，PP-YOLO没有大规模的去搜索对比backbone、fpn、数据增强trick等等，NAS也没有用上。PP-YOLO的主干网络仅仅使用了ResNet，数据增强也只是直接用了MixUp，这使得PP-YOLO在训练和推理是更加高效（如果将YOLOv4的trick都用一遍，那么效果一定。。。）。P
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
基础知识·指标map指标：综合衡量效果：精度+召回率。MAP是所有类别的平均。IOU：交并比，交集比并集YOLO-V1·整体思想V1检测系统把检测作为一个回归问题去处理。对于输入的图片，首先将图片划分为S*S区域，如果目标中心点落到一个grid cell内，这个cell负责检测这个目标。每个grid cell预测B个bounding boxes和confidence（判断是否为物体的置
(Introduction)The deep learning community is abuzz with YOLO v5. This blog recently introduced YOLOv5 as — State-of-the-Art Object Detection at 140 FPS. This immediately generated significant discussi
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
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
目录 1.解释一下ResNet、DesNet，它两的区别与联系。2.YOLOv3网络介绍一下，YOLO系列讲一下。3.RCNN网络特点，RCNN系列讲一下。4.Python中如何调用C++代码？5.有哪些滤波去噪操作？6.解释static关键字的作用，修饰变量和函数的区别。7.有哪些评定模型好坏的标准？8.传统人工智能算法与深度学习算法的区别？9.YOLO系列和RCNN系列的区别？10.
转载
2024-08-20 15:34:00
354阅读
