Yolo-v4中SAT和DropBlock介绍

最新推荐文章于 2023-08-17 14:52:36 发布
最新推荐文章于 2023-08-17 14:52:36 发布
阅读量1k 收藏 6
点赞数
分类专栏： 笔记 文章标签： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/gwy2018/article/details/112520755
版权

Self-Adversarial-Training（SAT）
在这里插入图片描述
SAT类似数据增强
对抗样本的定义：以图像样本为例,在原样本上加入一些轻微的扰动，使得在人眼分辨不出差别的情况下，诱导模型进行错误分类。
如图所示，Input（Panda图像）+ 噪音点 = Output（误判为gibbon图像）

DropBlock
在这里插入图片描述
【Dropout】:(b)图中的“x”，代表的是扔掉的像素，就是没有激活的像素，但是网络还是会从dropout掉的激活单元附近学习到同样的信息的【dropout是对神经元的失活，所以对应相应的像素点如图(b)】
【Dropblock】：©图把整块信息dropout掉，就不能学习到这片区域的信息了，可能学到边缘的信息。通过dropout掉一部分相邻的整片的区域(比如头和脚)，网络就会去注重学习狗的别的部位的特征，来实现正确分类，从而表现出更好的泛化。
论文 DropBlock: A regularization method for convolutional networks

最低0.47元/天 解锁文章
gwy2018
关注
专栏目录
YOLOv4目标检测：原理与源码解析
06-26
需要学习Windows系统YOLOv4的同学请前往《Windows版YOLOv4目标检测实战：原理与源码解析》，课程链接 https://edu.csdn.net/course/detail/29865【为什么要学习这门课】 Linux创始人Linus Torvalds有一句名言：Talk is cheap. Show me the code. 冗谈不够，放码过来！  代码阅读是从基础到提高的必由之路。尤其对深度学习，许多框架隐藏了神经网络底层的实现，只能在上层调包使用，对其内部原理很难认识清晰，不利于进一步优化和创新。YOLOv4是最近推出的基于深度学习的端到端实时目标检测方法。YOLOv4的实现darknet是使用C语言开发的轻型开源深度学习框架，依赖少，可移植性好，可以作为很好的代码阅读案例，让我们深入探究其实现原理。【课程内容与收获】 本课程将解析YOLOv4的实现原理和源码，具体内容包括：- YOLOv4目标检测原理- 神经网络及darknet的C语言实现，尤其是反向传播的梯度求解和误差计算- 代码阅读工具及方法- 深度学习计算的利器：BLAS和GEMM- GPU的CUDA编程方法及在darknet的应用- YOLOv4的程序流程- YOLOv4各层及关键技术的源码解析本课程将提供注释后的darknet的源码程序文件。【相关课程】 除本课程《YOLOv4目标检测：原理与源码解析》外，本人推出了有关YOLOv4目标检测的系列课程，包括：《YOLOv4目标检测实战：训练自己的数据集》《YOLOv4-tiny目标检测实战：训练自己的数据集》《YOLOv4目标检测实战：人脸口罩佩戴检测》《YOLOv4目标检测实战：中国交通标志识别》建议先学习一门YOLOv4实战课程，对YOLOv4的使用方法了解以后再学习本课程。【YOLOv4网络模型架构图】 下图由白勇老师绘制  
【YOLO系列】 YOLOv4之SAT自对抗训练
江湖小Jay的博客
01-22 1065
自对抗训练（Self-Adversarial Training，简称SAT）是一种新型的数据增强技术，旨在通过神经网络自身进行的对抗式攻击来提高模型的鲁棒性和泛化能力。其主要分为两个阶段：第一阶段神经网络会对其原始图像进行修改，制造出图像上没有目标的假象。这种修改是通过一种对抗的方式进行的，即神经网络改变原始图像而不是网络权值。具体来说，神经网络在训练过程中会生成一种对抗性的攻击，这种攻击可以改变原始图像，使其看起来像没有目标物体一样。第二阶段训练神经网络对修改后的图像进行正常的目标检测。
YOLOv4学习笔记（2）——训练策略
qq_46292437的博客
02-23 2669
文章介绍了YOLOv4在训练策略上相对于之前目标检测网络上的一些改进，分别讲解Mosaic数据增强、自对抗训练（SAT）、CmBN（Cross min-batch Normalization）策略、Dropblock正则化和其回归损失函数
Yolov4技巧学习
qq_36076110的博客
05-09 7321
一些不错的资源： 一张图梳理YOLOv4论文 Yolov4论文翻译与解析 创新点： 1：mosaic 数据增强 Yolov4 mosaic 数据增强 其来源于Cutmix 【论文阅读笔记】CutMix：数据增强 2：自对抗训练（Self-adversarial-training，SAT） 对抗样本和对抗训练笔记------简述 ...
Dropblock的用法（pytorch）
qq_45152711的博客
08-17 654
【代码】Dropblockd的用法（pytorch）
yolo v4 的代码-darknet-master-yolo-v4
04-24
SPP-Block（Spatial Pyramid Pooling）用于处理不同尺度的目标；以及Mish激活函数，它提供了一种平滑的非线性替代传统的ReLU。 2. **数据增强**：YOLOv4利用了多种数据增强技术，如CutMix、MixUp、Mosaic等，这些...
yolo-v5-v4-tf
最新发布
09-06
yolo-v5-v4-tf
darknet-yolo-v4-master.zip
12-25
本篇将详细介绍YOLOv4的核心概念、Darknet框架以及如何使用提供的"darknet-yolo-v4-master.zip"资源进行实践。 一、YOLOv4概述 YOLOv4采用了多层次的检测机制，通过单个神经网络模型同时预测图像中的多个对象，每...
yolo-v4-tf.keras:YOLO v4的简单tf.keras实现
05-06
yolo-v4-tf.keras YOLO v4的简单tf.keras实现 去做 余弦退火调度器 地图 镶嵌增强 DropBlock 自我对抗训练（SAT） 标签平滑 米什 IoU，GIoU，CIoU丢失 多GPU训练 快速开始 从下载官方YOLO v4预先训练的...
yolo-world资料（源码+文档）
08-19
yolo-world ********************* Highlights & Introduction This repo contains the PyTorch implementation, pre-trained weights, and pre-training/fine-tuning code for YOLO-World. YOLO-World is pre-...
论文笔记：YOLOv4: Optimal Speed and Accuracy of Object Detection
richard_che的博客
06-04 425
中心思想： 在提出YOLOv4之前，作者先对现有的主流改进思路，进行了分类&综述 基于上述的改进思路进行尝试，整合，最终提出了YOLOv4。主要的贡献在于： 能够实现低成本的训练（只用1张卡） 验证了训练&预测过程中的一些trick Bag of Freebies Bag of Freebies指的是通过更好的训练方式来得到性能的提升，而这种训练方式不会对模型的预测(inference)带来比较大的负担 最常见的Freebie是数据增广，主要目的是提升训练数据的差异性，常用的数据
YOLO那些事儿【YOLOv4详解】
关于我的学习记录
05-21 914
YOLOv4详解
YOLO v4详解
qq_52053775的博客
08-18 1648
1.开发了一个高效而强大的目标检测模型。它使每个人都可以使用一个1080 Ti或2080 Ti GPU来训练一个超快和准确的目标探测器。 2.验证了state-of-the-art Bag-of Freebies and Bag-of-Specials对目标检测的影响。 3.修改了最先进的方法，使其更有效，更适合于单一的GPU训练，包括CBN[89]，PAN[49]，SAM[85]等。只增加训练成本，但是能显著提高精度，并不影响推理速度数据增强：调整亮度、对比度、色调、随机缩放、剪切、翻转、
YOLOv4中常见CV学术名词说明（三）{CSP/WRC/SAT}
熊猫小妖的AI世界
10-29 1336
目录【17】CSP(Cross-Stage-Partial-connections)【18】WRC (Weighted Residual Connections)【19】SAT(Self-adversarial-training) 【17】CSP(Cross-Stage-Partial-connections) ref:https://www.cnblogs.com/yunshangyue71/p/13439853.html 【18】WRC (Weighted Residual Connections)
庖丁解牛yolo_v4之DropBlock
Bruce_0712的博客
06-10 1183
论文： DropBlock: A regularization method forconvolutional networks Github： https://github.com/miguelvr/dropblock https://github.com/DHZS/tf-dropblock 论文主要提出了一种针对卷积层的正则化方法DropBlock，最终在ImageNet分类任务上，使用Resnet-50结构，将精度提升1.6%个点，在COCO检测任务上，精度提升1.6%个点。 (...
【迁移学习】Self Paced Adversarial Training for Multimodal Few-shot Learning论文解读
zkq_1986的博客
12-03 573
paper：Self Paced Adversarial Training for Multimodal Few-shot Learning 20181127 WACV-19 Self Paced Adversarial Training for Multimodal Few-shot Learning. 方法 源域训练GAN网络 利用源域数据训练GAN网络。具体地，GAN网络设成stackG...
读书笔记：Self-Supervised GANs via Auxiliary Rotation Loss
Jesse_08的博客
10-28 310
读书笔记：Self-Supervised GANs via Auxiliary Rotation Loss 在读完自监督综述之后，我们接着读这篇文章自监督GAN通过辅助旋转损失 Abstract： 背景：CGAN是处于自然图像合成的最前沿的方法，但是他的缺点也很明显，需要已经标注好的数据。 答案1：我们要做的是缩小有条件gan CGAN和无条件GAN之间的差距；———》我们的方法是使用了对抗训练（adversarial train）与自监督学习； 答案2：we allow the networks to
yolov4——你总能在这找到你想要的答案
m0_56175815的博客
06-09 1233
YOLOv4是一种目标检测算法，它是YOLO系列（You Only Look Once）的最新版本。YOLO算法是一种实时目标检测算法，能够在一次前向传播过程中同时进行目标检测和定位。YOLOv4在YOLOv3的基础上进行了改进和优化，提高了检测精度和速度。
【YOLO v4 相关理论】Regularizations(正则化): DropOut、DropBlock（最重要）、Spatial DropOut、DropPath、DropConnect
qq_38253797的博客
05-13 7248
一、DropOut Dropout是2012年深度学习视觉领域的开山之作paper：AlexNet《ImageNet Classification with Deep Convolutional》所提到的算法，用于提高网络的泛化能力, 防止过拟合。 Dropout现在一般用于全连接层，卷积层一般不使用Dropout，而是使用BN来防止过拟合，而且卷积核还会有relu等非线性函数，降低特征直接的关联性。 1.1、什么是DropOut? 我们知道，典型的神经网络其训练流程是将输入通过网络进行正向传导，然后将lo
yolo-v4_tiny人工智能平台
09-15
作为一种目标检测算法，yolo-v4_tiny可以在图像或视频中实时识别和定位多个物体。 yolo-v4_tiny采用轻量级网络结构，相对于传统的yolo-v4，它具有更少的参数和更快的运行速度。这使得yolo-v4_tiny在嵌入式设备或...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值