SENet学习笔记
摘要：
1.SENet简介 以往CNN研究的着力点是挖掘空间信息的关系，即同一通道（特征图）上不同像素的关系。而SENet则挖掘通道之间的关系，可以说是非常与众不同的，而且结构也非常简单。它由SE模块构成，SE模块分为Squeeze操作和Excitation操作，Squeeze将一个通道上的空间特征编码为一 阅读全文
posted @ 2020-07-27 22:57 ZhicongHou 阅读(338) 评论(0) 推荐(0)
DenseNet学习笔记
摘要：
1.简介 1.1.结构图 ResNet通过添加shortcut的方式，能够很好地解决梯度消失的问题，使得神经网络的深度可以进一步提升。ResNet只在相关两三层添加shortcut，而DenseNet则像是ResNet的极端版本，它在所有层之间都添加shortcut（类似于无向完全图），即当前层的输 阅读全文
posted @ 2020-07-27 22:40 ZhicongHou 阅读(129) 评论(0) 推荐(0)
GoogLeNet学习笔记
摘要：
1.简介 提升神经网络性能的最直接方法就是增大size，包括增加深度以及每一层的神经元数。但这样做有两个主要的缺点：（1）参数过多，当训练数据不大时，模型容易出现过拟合。（2）计算量大，越多的参数需要越多的计算资源。而且增加的神经元还有可能是无效的。 那么，能避免上述两个缺点呢？上述两个问题的根源在 阅读全文
posted @ 2020-07-25 11:26 ZhicongHou 阅读(129) 评论(0) 推荐(0)
ResNet学习笔记
摘要：
1.深层神经网络的优点和缺陷 深度神经网络很大的一个优点就是能够表示一个复杂的功能。网络的层数越多，意味着能够提取到不同level的特征越丰富。并且，越深的网络提取的特征越抽象，越具有语义信息。但其有一个巨大的缺陷，那就是：如果简单地增加深度，会导致梯度弥散或梯度爆炸。使得训练速度十分缓慢： 对于上 阅读全文
posted @ 2020-07-25 06:44 ZhicongHou 阅读(197) 评论(0) 推荐(0)
VGG学习笔记
摘要：
1.网络结构 1.1.结构 《VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION》这篇论文探讨卷积网络深度对分类精确率的影响。它主要通过设置几种配置相同但深度不同的卷积神经网络，来进行实验。配置如下： （1）输入是22 阅读全文
posted @ 2020-07-25 00:02 ZhicongHou 阅读(156) 评论(0) 推荐(0)
AlexNet学习笔记
摘要：
1.网络结构 1.1.结构 5个卷积层，3个全连接层，共6千万个参数（其中绝大部分来着全连接层，卷积层其实是很少的）。分成上下两部分，因为可以利用两个GPU同时训练，从而缩短训练时间。 AlexNet的输入是224*224RGB图像，输出是softmax层，1000个数表示属于1000个物体类别的可 阅读全文
posted @ 2020-07-24 22:23 ZhicongHou 阅读(177) 评论(0) 推荐(0)
目标检测SSD
摘要：
1.SSD简介 1.1.直观理解 SSD模型与Faster R-CNN中的RPN以及YOLO v2都非常像，因为都是直接在卷积层上预测边框，都使用了anchor box，没有连接层。SSD模型感觉更像是YOLO v2的改进版，YOLO v2是在最后一层特征图上预测，而SSD是在多个不同层次的特征图上 阅读全文
posted @ 2020-07-11 15:26 ZhicongHou 阅读(192) 评论(0) 推荐(0)
YOLO系列（1）—— YOLO v1
摘要：
1.YOLO简介 1.1.R-CNN系列与YOLO R-CNN系列的目标检测模型，其步骤可分为两步：第一步是生成许多个region proposal，第二步是对region proposal进行分类和边框回归。也就是说R-CNN系列不仅网络结构复杂，而且把目标检测任务由分类和回归共同完成。R-CNN 阅读全文
posted @ 2020-07-11 15:25 ZhicongHou 阅读(250) 评论(0) 推荐(0)
YOLO系列（2）—— YOLO v2
摘要：
1.YOLO v2的改进 1.1.Batch Normalization 加入了Batch Normalization。 通过Batch Normalization可以将dropout从网络中移除了，也不怕会过拟合。 1.2.高分辨率分类器 YOLO v1：首先在224*224分辨率上训练分类网络， 阅读全文
posted @ 2020-07-11 15:25 ZhicongHou 阅读(362) 评论(0) 推荐(0)
R-CNN系列（4）—— Faster R-CNN
摘要：
1.从Fast到Faster 1.1.Fast R-CNN的瓶颈 Fast R-CNN的区域提议由selective search方法提取出来。如果忽略提取区域提议在时间上的消耗，那么Fast R-CNN就能够达到实时检测的效果了。然而，基于selective search是在CPU上实现的，不能利 阅读全文
posted @ 2020-06-13 00:32 ZhicongHou 阅读(242) 评论(0) 推荐(0)
浙公网安备 33010602011771号