Coding_ML

摘要： 多尺度的object detection算法：FPN(feature pyramid networks)。 原来多数的object detection算法都是只采用顶层特征做预测，但我们知道低层的特征语义信息比较少，但是目标位置准确；高层的特征语义信息比较丰富，但是目标位置比较粗略。另外虽然也有些算法采用多尺度特征融合的方式，但是一般是采用融合后的特征做预测，而本文不一样的地方在于预测是在不同特... 阅读全文

摘要： 废话不多说，上车吧，少年 paper链接：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks &创新点 设计Region Proposal Networks【RPN】，利用CNN卷积操作后的特征图生成region proposals... 阅读全文

摘要： Region Proposal Network RPN的实现方式：在conv5-3的卷积feature map上用一个n*n的sliding window（论文中n=3）生成一个长度为256（ZF网络）或512（对应于VGG网络）维长度的全连接特征。然后再这个256维或512维的特征后产生两个分支的全连接层： 1. reg-layer：用于预测proposal的中心锚点对应的proposal... 阅读全文

摘要： 废话不多说，上车吧，少年 paper链接：Fast R-CNN &创新点 规避R-CNN中冗余的特征提取操作，只对整张图像全区域进行一次特征提取； 用RoI pooling层取代最后一层max pooling层，同时引入建议框信息，提取相应建议框特征； Fast R-CNN网络末尾采用并行的不同的全连接层，可同时输出分类结果和窗口回归结... 阅读全文

摘要： Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition文章地址：https://arxiv.org/pdf/1406.4729.pdf摘要沿着上一篇RCNN的思路，我们继续探索目标检测的痛点，其中RCNN使用CNN作为特征提取器，首次使得目标检测跨入深度学习的阶段。但是RCNN对于每一个区域候选都需... 阅读全文

摘要： 废话不多说，上车吧，少年 paper链接：Rich feature hierarchies for accurate object detection and semantic segmentation &创新点 采用CNN网络提取图像特征，从经验驱动的人造特征范式HOG、SIFT到数据驱动的表示学习范式，提高特征对样本的表示能力； 采... 阅读全文

摘要： 虽然网络性能得到了提高，但随之而来的就是效率问题(AlexNet VGG GoogLeNet Resnet DenseNet) 效率问题主要是模型的存储问题和模型进行预测的速度问题. Model Compression: 从模型权重数值角度压缩 从网络架构角度压缩 对于效率问题，通常的方法即在已经训练好的模型上进行压缩，使得网络携带更少的网络参数，从而解决内存问题，同时解决速度问题。 ... 阅读全文

摘要： MobileNet (Efficient Convolutional Neural Networks for Mobile Vision Applications)——Google CVPR-2017 MobileNet引入了传统网络中原先采用的group思想，即限制滤波器的卷积计算只针对特定的group中的输入，从而大大降低了卷积计算量，提升了移动端前向计算的速度。 1.1 卷积分解 Mo... 阅读全文

摘要： ShuffleNet (An Extremely Efficient Convolutional Neural Network for Mobile Devices) —— Face++ shuffle 具体来说是 channel shuffle，是将各部分的 feature map 的 chann 阅读全文

摘要： Xception(Deep Learning with Depth-wise Separable convolutions)——google Inception-V3 Xception 并不是真正意义上的轻量化模型，只是其借鉴 depth-wise convolution，而 depth-wise 阅读全文