Catherine_zhilin

摘要： RNN: 循环神经网络（Recurrent Neural Network, RNN）是一类以序列（sequence）数据为输入 在序列的演进方向进行递归（recursion）且所有节点（循环单元）按链式连接的递归神经网络（recursive neural network）。 RNN的结构及变体基础的 阅读全文

摘要： 图神经网络历史脉络： 不动点理论：图神经网络（Graph Neural Network, GNN）-> 图卷积神经网络（Graph Convolutional Neural Network, GCN） 最早的GNN主要解决的还是分子结构分类等图论问题欧氏空间（图像 image ）序列文本（text） 阅读全文

摘要： GNN：图神经网络，由于传统的DNN网络无法表示顶点和边这种关系型数据，便出现了图神经网络解决这种图数据的表示问题，这属于DNN往图方向的应用扩展 GCN：图卷积神经网络，GNN在训练过程中，有将attention引入图结构的，有将门控机制引入图结构的，还有将卷积引入图结构的，引入卷积的GNN就是G 阅读全文

摘要： 论文Fully Convolutional Networks for Semantic Segmentation 是图像分割的milestone论文。 GitHub - shelhamer/fcn.berkeleyvision.org: Fully Convolutional Networks fo 阅读全文

摘要： 提出于FCN。 如果将全卷积之后的结果直接上采样得到的结果是很粗糙的，所以将不同池化层的结果进行上采样之后来优化输出： 不同上采样结构得到的结果对比举例如下（FCN）： 也可以将pool1， pool2的输出再上采样输出。但作者说了这样得到的结果提升并不大。（实际实验过发现也确实是这样的！） 阅读全文

摘要： 目标检测任务的损失函数由 Classificition Loss 和 Bounding Box Regeression Loss 两部分构成。本文介绍目标检测任务中近几年来Bounding Box Regression Loss Function的演进过程，其演进路线是Smooth L1 Loss  阅读全文

摘要： 特征融合的目的，是把从图像中提取的特征，合并成一个比输入特征更具有判别能力的特征。如何正确融合特征是一个难题。 在很多工作中，融合不同尺度的特征是提高分割性能的一个重要手段。低层特征分辨率更高，包含更多位置、细节信息，但是由于经过的卷积更少，其语义性更低，噪声更多。高层特征具有更强的语义信息，但是分 阅读全文

摘要： 本文将介绍一种新提出的坐标注意力机制，这种机制解决了SE，CBAM上存在的一些问题，产生了更好的效果，而使用与SE，CBAM同样简单。 论文地址： https://arxiv.org/pdf/2103.02907.pdf 代码地址： https://github.com/AndrewQibin/Co 阅读全文

摘要： SE模块（Squeeze-and-Excitation） SENet: SENet网络的创新点在于关注channel之间的关系，希望模型可以自动学习到不同channel特征的重要程度。为此，SENet提出了Squeeze-and-Excitation (SE)模块。 SE模块首先对卷积得到的特征图进 阅读全文

摘要： 评价指标： 1.准确率 （Accuracy）：分对的样本数除以所有的样本数 ，即：准确（分类）率 = 正确预测的正反例数 / 总数。 注：准确率一般用来评估模型的全局准确程度，不能包含太多信息，无法全面评价一个模型性能。 2.混淆矩阵 （Confusion Matrix）：混淆矩阵中的横轴是模型预测 阅读全文