论文阅读
文章平均质量分 95
论文阅读
荼靡~
我爱学习,学习不爱我,,,
展开
-
【论文阅读总结】用于目标检测的特征金字塔网络(FPN)
特征金字塔用于检测不同尺度对象的识别系统的基本组成部分。特征金字塔需要大量计算和内存特征金字塔计算和内存都是密集型的。特征金字塔网络(FPN)的体系结构利用深度卷积网络固有的多尺度金字塔层次来构造具有边际额外成本的特征金字塔。具有横向连接的自顶向下架构,用于在所有尺度上构建高级语义特征图。是一种通用的特征提取器,在一些应用中显示出显著改进。低级特征对于检测小物体很重要,所以不可以舍弃前期特征图特征金字塔每个阶段的最深层都应该具有最强的特征,提出了自下而上路径低级特征对于检测小物体很重要。原创 2023-03-21 11:52:26 · 576 阅读 · 0 评论 -
【论文阅读总结】Mask R-CNN翻译总结
一个概念上简单、灵活和通用的对象实例分割框架。有效地检测图像中的对象,同时为每个实例生成高质量的分割掩码。通过添加一个用于预测对象掩码的分支,与现有的边界框识别分支并行,扩展了Faster R-CNN。易于实现和训练,这有助于广泛的灵活架构设计。仅为增加了一小部分开销,以每秒5帧的速度运行。很容易推广到其他任务,例如:允许我们在同一框架中估计人体姿势。通过添加一个分支来预测每个感兴趣区域(RoI)上的分割掩码,并与现有的分类和边界框回归分支并行,从而扩展了。掩模分支是应用于每个RoI。原创 2023-02-27 16:47:33 · 1269 阅读 · 1 评论 -
【论文阅读总结】ResNet残差网络翻译总结
深度对于许多视觉识别任务是至关重要的。残差学习框架:由于更深层次的神经网络更难训练。提出了残差学习框架,以简化比以前网络深度更深的网络训练。将这些层重新定义为学习参考层输入的残差函数,而不是学习未引用的函数表明了’这些残差网络更容易优化,并且可以从显著增加的深度中获得准确性。在ImageNet数据集上,我们评估了深度高达152层的残差网络,比VGG网络深8倍,但仍然具有较低的复杂性。实现思想由于更深层次的神经网络更难训练并且会出现退化问题。提出了残差学习框架。原创 2023-01-03 15:19:52 · 327 阅读 · 0 评论 -
【论文阅读总结】inception v4与Inception-ResNet总结
超深度卷积网络是近年来图像识别性能最大进步的核心。例如:Inception体系结构,它已经被证明以相对较低的计算成本实现了非常好的性能。新问题提出:最近残差连接技术与更传统的结构相结合,取得了最先进的性能,其性能与最新一代的Inception-v3网络相似。这就提出了将Inception体系结构与残差连接结合起来是否有任何好处的问题。结论:我们给出了明确的经验证据,表明使用残差连接的训练显著加速了Inception网络的训练。原创 2022-12-23 17:12:21 · 452 阅读 · 1 评论 -
【论文阅读】inception v1学习总结
1. 摘要2. 序言3. 文献综述4.动机和高层考虑4.1提高深度神经网络性能的最直接方法4.1.1 增加模型的大小4.1.2 解决增加模型大小导致的缺点思路5.结构详述5.1 Inception架构的主要思想5.2 原生inception块问题5.3 解决通道数增加问题5.4 `1*1`卷积优点6.1辅助分类器7. 训练方法提出了Inception的深度卷积神经网络架构。该体系结构用于分类和检测。原创 2022-12-15 17:08:20 · 598 阅读 · 2 评论 -
【论文阅读总结】Batch Normalization总结
内部协变移位现象训练深度神经网络很复杂,训练中随着前一层参数变化,后一层输入分布就会变化。就要求是用较低学习速率和着重仔细的设置参数初始化值,导致训练速度较慢,并且使训练具有饱和非线性的模型变得非常困难。通过规范输入层来解决问题的方法。将批量数据集输入之前进行标准化,进行训练。将 Batch Normalization(标准化)作为模型体系结构的一部分,并为每个训练小批量执行标准化,从而发挥了其优势。允许使用更高的学习率(也不能太高),并且对初始化参数不那么着重仔细。原创 2022-12-20 12:27:37 · 836 阅读 · 1 评论 -
【论文阅读总结】inception v2_v3总结
卷积网络是最先进的计算机视觉解决方案的核心,适用于各种各样的任务。非常深度的卷积网络开始成为主流,在各种基准测试【图像分类,物体检测等】中产生了巨大收益。增加模型大小和计算成本为大多数任务的质量立即提高(只要为训练提供足够的标记数据),但计算效率和低参数计数仍然是需要优化的因素。在这里,我们正在探索扩大网络的方法,目的是通过适当的卷积分解和积极的正则化尽可能有效地利用增加的计算。深度卷积架构中的架构改进可以用于提高大多数其他计算机视觉任务的性能,这些任务越来越依赖于高质量的学习视觉特征。原创 2022-12-22 17:35:23 · 617 阅读 · 0 评论