![](https://img-blog.csdnimg.cn/20201014180756926.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
图像分类
文章平均质量分 81
胖胖大海
这个作者很懒,什么都没留下…
展开
-
计算机视觉,如何识别未在训练集中没有出现过的类别?
如何识别未在训练集中没有出现过的类别原创 2022-06-13 20:10:18 · 2410 阅读 · 2 评论 -
多分类模型如何将LabelSmoothing与MixUp联合使用?
多分类模型如何将LabelSmoothing与MixUp联合使用?原创 2022-06-13 20:01:48 · 1175 阅读 · 0 评论 -
分类模型训练完之后,测试效果极差可能原因分析
在知乎上有这样一个问题:acc很高,但预测正确的样本占比又很低,怎么回事? - 知乎关于这个问题,在这个问题的回答中,有许多大佬从数据的分布、模型的结构、数据集的划分,以及验证指标等层面进行了解答。在这里按照我的理解,简单描述一下这个问题:模型训练正常,模型测试效果很差,甚至在训练集上的测试效果都很差。简单分析一下大概有以下几个方面的原因可以排查:1、检查模型训练和模型测试的数据处理pipeline是否一致,比如训练时做了Normalize...原创 2022-04-13 12:23:42 · 9978 阅读 · 1 评论 -
ResNeXt、DenseNet、CSPNet网络模型总结
ResNeXt在网络架构设计层面,常见的几种提升网络性能的方法:网络的宽度width:每层卷积的输出通道数 网络的深度depth:网络的层数 网络的分辨率resolution:输入图像的分辨率大小 网络的增长率growth:随着层数的增加,每层卷积输出通道数的增长比例 网络的特征复用:如DenseNet可以使用更浅的网络,更少的参数,提升特征复用,达到与深度网络相当的性能 高效特征融合:InceptionNet的split-transforms-merge模式,将输入分别使用不同的转换分支原创 2022-03-31 10:32:27 · 8399 阅读 · 2 评论 -
《ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices》
核心思想:本论文的核心关注点在于卷积神经网络中的1x1卷积模块,作者指出在XCeption和ResNetXt等网络模型中,虽然采用了深度可分离卷积来降低参数量和计算量,但是这样又引入了大量的1x1标准卷积操作,导致的结果就是网络模型中存在大量的1x1卷积操作,1x1卷积的参数量和计算量占据了绝对的大头。下图是MobileNetV1网络使用深度可分离卷积之后的参数量和计算量统计,1x1卷积无论在参数量和计算量上都占据绝对大头:核心方法:所以本论文将1x1卷积作为重点关照对象,在深度可分离卷原创 2021-07-18 20:55:30 · 309 阅读 · 0 评论 -
《MobileNetV2: Inverted Residuals and Linear Bottlenecks》
标准残差块:1、使用1x1卷积减少通道数2、使用NxN卷积提取特征3、使用1x1卷积提升通道数,提升后与输入通道数相等4、将残差块的输入与输出相加,形成short-cut连接备注:标准残差块的通道数两头大,中间小反向残差块(inverted residual):1、使用1x1卷积提升通道数2、使用深度可分离卷积提取特征3、使用1x1卷积减少通道数,减少后与输入通道数相等4、将残差块的输入与输出相加,形成short-cut连接备注:翻转残差块的通道数两头小,中间原创 2021-07-18 17:00:46 · 1816 阅读 · 4 评论 -
MobileNetV1《MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications》
《MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications》在MobileNet之前,提升模型推理效率常用的方法是模型压缩(量化、剪枝等)和知识蒸馏(Teacher-Student网络)。核心概念:深度可分离卷积(deep-wise separable convolution):深度可分离卷积将标准卷积操作分解为一个深度卷积(deepwise convolution)和一个1x1的卷积原创 2021-07-18 15:49:21 · 554 阅读 · 0 评论