- 博客(7)
- 收藏
- 关注
RSS订阅原创 7_InceptionV4
Inception-v4,Inception-ResNet and the Impact of Residual Connections on Learninglnception-v4, Inception-ResNet，残差连接对模型训练的影响InceptionV4Inception-v4可分为六大模块分别是:Stem、Inception-A、B、C、Reduction-A、B每个模块都有针对性的设计，模型总共76层带V表示不进行padding，而标V表示进行paddingSt
2021-05-18 18:08:47
139
原创 6_ResNet(内含混淆矩阵的概念)
Deep Residual Learning for Image Recognition 图像识别中的深度残差学习网络残差结构Residual learning:让网络层拟合H(x)-x，而非H(x)注:整个building block仍旧拟合H(x)，注意区分building block与网络层的差异，两者不一定等价网络退化网络退化(degradation problem)越深的网络拟合能力越强，因此越深的网络训练误差应该越低，但实际相反原因:并非过拟合，而是网络优化困难C
2021-05-16 16:04:00
680
原创 5_InceptionV2/V3
Rethinking the Inception Architecture for Computer Vision重新思考计算机视觉中的Inception结构网络设计原则尽量避免信息瓶颈，通常发生在池化层，即特征图变小，信息量减少，类似一个瓶颈采用更高维的表示方法能够更容易的处理网络的局部信息大的卷积核可以分解为数个小卷积核，且不会降低网络能力把握好深度和宽度的平衡卷积分解5 * 5分解为两个3 * 3分解为非对称卷积(Asymmetric Convolutionals)
2021-05-16 15:58:52
257
原创 4_Batch Normalization
Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift 批标准化:缓解内部协变量偏移加快深度神经网络训练Ics (Internal Covariate Shift，内部协变量偏移)ICS现象:输入数据分布变化，导致的模型训练困难，对深度神经网络影响极大。白化(Whitening)白化:去除输入数据的冗余信息，使得数据特征之间相关性较低，所有特征具有相同方
2021-05-16 15:23:17
114
原创 3_GoogLeNetV1
Going deeper with convolutions更深的卷积网络简介Inception v1-GoogLeNet（论文阅读总结） - 知乎 (zhihu.com)开启多尺度卷积时代拉开1*1卷积广泛应用序幕为GoogLeNet系列开辟道路GoogLeNet结构Inception Module特点:1．多尺度2.1*1卷积降维，信息融合3.3*3 max pooling保留了特征图数量3*3 pool可让特征图通道数增加,且用较少计算量缺点:数
2021-05-16 15:15:32
106
原创 2_VGG
very deep convolutional networks for lagre-scale image recognition 大规模图像识别的深度卷积神经网络ILSVRC-2014 定位冠军，分类亚军开启小卷积核，深度卷积模型时代相较于AlexNet top-5error从15.3%减小至7.3%OverFeat 提出了FC 全卷积利用1*1的卷积代替全连接层研究背景AlexNet:借鉴卷积模型结构ZFNet:借鉴其采用小卷积核思想OverFeat:借鉴全卷积
2021-05-16 15:10:51
176
原创 1_AlexNet
AlexNet: ImageNet Classification with Deep Convolutional Neural Networks基于深度卷积神经网络的图像分类在12年左右作为基于深度学习图像分类的开山之作，在当时看来网络是比较深的，但是现在看这个网络是很浅的ILSVRC:大规模图像识别挑战赛TOP 5 error:在分类任务中，如果预测结果概率前五的类中成功命中，就算做成功意义拉开了卷积神经网络统治计算机的序幕加速了计算机视觉应用的落地摘要1.在ILS
2021-05-16 14:44:50
236
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