Yolo-v4中SAT和DropBlock介绍

最新推荐文章于 2024-01-22 15:49:10 发布
最新推荐文章于 2024-01-22 15:49:10 发布
阅读量999 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
  • 0
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
实时目标检测YOLO系列之YOLOv4
weixin_45614254的博客
08-10 3996
论文地址：https://arxiv.org/abs/2004.10934v1 Abstract： 1. 基本介绍 （1）介绍 （2）原理 （3）成就 （4）创新点 2. 网络结构及trick分析 （1）检测流程 （2）Backbone （3）Bounding Box Prediction （4）Class Prediction （5）Predictions Across Scales 3. 损...
YOLOv4学习笔记（2）——训练策略
qq_46292437的博客
02-23 2658
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
yolo v4 的代码-darknet-master-yolo-v4
04-24
yolo v4 的代码-darknet-master-yolo-v4 推荐下载
darknet-yolo-v4-master.zip
12-25
yolov4，可运行yolov3权重文件。
【YOLO系列】 YOLOv4之SAT自对抗训练
最新发布
江湖小Jay的博客
01-22 1024
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。
YOLO-v4论文详解
weixin_52185313的博客
04-27 1241
YOLO-v4论文详解-- 潘登同学的目标检测笔记 文章目录YOLO-v4论文详解-- 潘登同学的目标检测笔记YOLO-v4介绍目标检测One-stage Detector与Two-stage DetectorBag of freebiesBag of specialsYOLO-v4的选择网络结构其他改进BoF and BoS YOLO-v4介绍 YOLO-v4做了很多的实验，将几乎所有的图像识别方法都做了实验，得到了很多在目标检测下的好用的方法，当然很多方法是随着数据集的改变而改变的，不一定普遍适用的…
庖丁解牛yolo_v4之DropBlock
Bruce_0712的博客
06-10 1180
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。 (...
Yolov4技巧学习
qq_36076110的博客
05-09 7308
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 ...
【YOLO系列】 YOLO V4之正则化DropBlock
江湖小Jay的博客
01-11 1004
DropBlock是一种正则化技术，用于防止深度神经网络的过拟合。它通过在训练过程中随机丢弃网络中的一部分特征图，来增加模型的泛化能力。文章中分析了传统的dropout在conv上效果不好的原因conv具有空间相关性，所以即使对一些单元随机进行dropout，仍然可以有信息流向后面的网络，导致dropout不彻底。针对这个问题，作者提出了DropBolck这一方法，思想很简单：从名字就可以看出来，既然随机丢弃独立的单元可能导致丢弃不彻底，那不如一次丢弃一个block。
YOLO那些事儿【YOLOv4详解】
关于我的学习记录
05-21 907
YOLOv4详解
yolo-v4-tf.keras:YOLO v4的简单tf.keras实现
05-06
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预先训练的权重 初始化YOLO模型和负载权重 运行预测 示例： ： from models import Yolov4 model = ...
YOLO-V4理解
hanxuwerewolf的博客
05-09 486
参考：https://www.flyai.com/article/778https://blog.csdn.net/justsolow/article/details/106401065创新点：（1）输入端：Mosaic数据集，cmBN，SAT自对抗训练。（2）BackBone：CSPDarknet 53，Mish激活函数，Dropblock。（3）Neck：SPP，FPN+PAN结构。（4）Prediction：GIou Loss，DIou Loss。 1.OD相关结构 Object Detection
YOLO V4 -- 学习笔记
DIAJEY的博客
04-10 764
参考文章：深入浅出Yolo系列之Yolov3&Yolov4&Yolov5核心基础知识完整讲解 – 江大白* 参考视频教程：目标检测基础——YOLO系列模型（理论和代码复现）-- PULSE_ YOLO V4主要创新 ·输入端创新：Mosaic数据增强、cmBN、SAT自对抗训练 ·BackBone(CNN)主干网络：CSPDarknet53、Mish激活函数、Dropblock ·Neck：在BackBone和最后的输出增之间加一些模块，如SPP模块，FPN+PAN结构 ·Predicti
YOLO v4 解读
l314046573的博客
09-11 1135
前言 我们都知道在深度学习这一领域当中，算法的更新换代是非常频繁的，特别是在CV领域。前短时间在很多人正在对引人注目的YOLO v4算法的解析中，YOLO v5代码也出现了（当然这里只是出现了代码，而且是否能被称之为v5还是引起了很多人的争议的，毕竟它在v4的基础上并没有修改他的backbone网络）。言归正传，虽然YOLO v4出现了一段时间了，但我在网上看了一些文章之后还是有些不懂的地方，因此“好记性不如烂笔头”，所以我就直接整理到我的博客里面。 思维导图 摘要 这里就直接用论文的摘要来开头，主要介绍
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 1333
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)
DropBlock
寂寞的小乞丐
10-28 345
DropBlock: A regularization method for convolutional networks 一. 论文简介 正则化卷积层，防止过拟合 主要做的贡献如下（可能之前有人已提出）： 正则化卷积层的模块（正则化Conv层），类似dropout（正则化FC层） 二. 模块详解 2.1 论文思路简介 正常的DropOut是对FC层做随机失活，如何对卷积层做随机失活？ 按照DropOut的思路，直接对卷积层的feature做随机失活，如下图（b）所示，试验效果并不理想，作者猜测是
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