- 博客(3)
- 收藏
- 关注
RSS订阅原创 论文阅读6.9
Octave卷积将特征图根据不同的频率进行因式分解，对不同频率的信息进行不同的存储和操作，再在不同频率的信息之间进行信息交换。通道变化：对组卷积之后的特征图在通道上进行随机均匀打乱，再进行下一步操作，这样能保证执行下一个组卷积操作的输入特征来自上一个组卷积中的不同组。缺点：实际训练过程中，由于深度可分离卷积的卷积核和常规卷积相比较小，在激活函数的非线性激活作用下输出易于趋近0，通常会出现卷积核失活的问题。关注常规卷积中特征图的冗余性，从特征图冗余性的角度实现网络结构轻量化。
2023-06-09 17:02:38
87
1
原创 论文笔记 2023.5.22
使用新的通道分割操作，使输入特征变为两部分，其中一部分进行深度可分离卷积操作，然后与另一部分拼接。残差块：权重层拟合残差映射F（x），而非原始映射H（x）金字塔多级残差卷积神经网络（PRoR）加权残差网络（WResNet）多级残差卷积神经网络（RoR）在经典模型的基础上采用注意力机制使网络模型更关注感兴趣的区域。改进模型结构，减少网络参数，以满足嵌入式、移动式设备的需求。卷积残差记忆网络（CRMN）引入激活函数Relu。提出一种新的衡量模型性能的指标MAC(Memory Access Cost。
2023-05-22 15:26:27
373
1
原创 论文笔记 2023.5.18
2 联合使用Global Average Pooling(AVG)和Fully Connected layer(FC)SqueezeNet-E（原网络结构+input和output改进） SqueezeNet-EBN（最终网络结构）最后测试了SqueezeNet(原网络结构) SqueezeNet-BN（原网络结构+BN）SqueezedNet是一种轻量级的卷积神经网络，减少参数的同时也保证了准确度。1 增加了图片输入的尺寸和第一层卷积层的参数个数：有助于特征的提取。
2023-05-18 14:52:28
68
2
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人