CSP-darknet53作为骨干网络

于 2024-10-01 17:27:49 发布
阅读量71 收藏
点赞数
文章标签： python 开发语言 pytorch 人工智能 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/qq_34425255/article/details/142672688
版权

于是先阅读了一下

CSPNet: A new backbone that can enhance learning capability of cnn论文原文

Chien-Yao Wang, Hong-Yuan Mark Liao, Yueh-Hua Wu, Ping-Yang Chen, Jun-Wei Hsieh, and I-Hau Yeh. CSPNet: A new backbone that can enhance learning capability of cnn. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshop (CVPR Workshop), 2020.

在CSPNet的论文原文中发现了DarkNet53骨干网络，于是发现DarkNet53骨干网络是在YOLOv3中使用的

Joseph Redmon and Ali Farhadi. YOLOv3: An incremental improvement. arXiv preprint arXiv:1804.02767, 2018.

查阅YOLOv4相比YOLOv3的创新点，发现主干网络由DarkNet53改为了CSP-DarkNet53

于是将重点放在YOLOv3和YOLOv4的论文原文阅读上。

鱼儿会飞吗
关注
CV 经典主干网络 (Backbone) 系列: CSP-Darknet53
走在深度学习前沿的小宋
04-27 6294
CSP-Darknet53无论是其作为CV Backbone，还是说它在别的数据集上取得极好的效果。与此同时，它与别的网络的适配能力极强。
【darknet】darknet——CSPDarknet53网络结构图（YOLO V4使用）
热门推荐
Jaredzzz的博客
09-13 1万+
【2020.9.13】发布CSPDarknet53结构图 YOLOv4模型由CSPDarknet53作为骨干网络BackBone，下图为自己画的CSPDarknet53的网络结构图： 注意：YOLO V4使用时删去了最后的池化层、全连接层以及Softmax层
深入浅出之DarkNet网络
浩瀚之水的专栏
09-13 901
Darknet53是在深度学习，尤其是卷积神经网络（CNN）快速发展的背景下提出的。随着计算机视觉任务的复杂度和精度要求不断提高，传统的网络结构已经难以满足需求。为了提升目标检测和分类等任务的性能，Joseph Redmon在2018年的论文《YOLOv3: An Incremental Improvement》中提出了Darknet53网络结构，作为YOLOv3目标检测算法的核心网络。
对于YOLOv4的CSPDarknet53的网络结构详细结构图
Brillian123的博客
12-31 1万+
最近在学习YOLOv4，针对其主干网络CSPDarknet53的结构图，本人在网上查阅资料后发现结构图并不详细。尤其是对于里面的残差块ResBlock和Resblock_body，它们内部的操作是怎样的？他们的关系是什么样的？在查看了YOLOv4的代码后，结合原来的结构图做了详解。 需要注意的是：原结构图中共有5个Resblock_body，第一个Resblock_body与后面的4个Resblock_body结构存在差异。具体差异见图所示。 YOLOv4主干网络参考可见： CSPDarkNet53学
网络解析----yolov4网络解析
writ的博客
06-02 1057
网络解析----yolov4解析
【目标检测类】YOLOv5网络模型结构基本原理讲解
橙子的博客
08-06 892
YOLOv5网络模型结构基本原理讲解
【YOLOV4】(7) 特征提取网络代码复现（CSPDarknet53+SPP+PANet+Head），附Tensorflow完整代码
博观而约取，厚积而薄发
03-29 8288
各位同学好，今天和大家分享一下如何使用 TensorFlow 构建YOLOV4目标检测算法的特征提取网络。 完整代码在我的Gitee中，有需要的自取：https://gitee.com/dgvv4/yolo-target-detection/tree/master 1. CSPDarkNet53 CSPDarkNet53 骨干特征提取网络在 YOLOV3 的 DarkNet53网络 的基础上引入了 CSP结构。该结构增强了卷积神经网络的学习能力；移除了计算瓶颈；降低了显存的使用；加快了网络的推理速度。
YOLOX backbone——CSPDarknet的实现
牧羊女
06-22 8944
YOLOX的主干网络分析
Scaled-YOLOv4:CSP网络的缩放
kobayashi_的博客
11-22 6986
Scaled-YOLOv4: Scaling Cross Stage Partial Network 原文： https://arxiv.org/pdf/2011.08036v1.pdf 项目地址： https://github.com/WongKinYiu/ScaledYOLOv4/tree/yolov4-csp 网络结构在第四节⭐️ 文章目录Scaled-YOLOv4: Scaling Cross Stage Partial Network0.Abstract1.Introduction2.Rela
YOLOX骨干网backbone-PAFPN网络结构示1
08-04
YOLOX骨干网Backbone-PAFPN网络结构示意图 在计算机视觉和机器学习领域，YOLOX是一个基于深度学习的目标检测算法，骨干网Backbone-PAFPN网络结构是其核心组件之一。本文将详细介绍YOLOX骨干网Backbone-PAFPN网络...
轻量化的yolov8主干网络
04-27
2. CSP-DarkNet53：CSP-DarkNet53是一种基于DarkNet53的改进版本，它采用了Cross-Stage Partial Network（CSP）结构，减少了模型中的参数数量，提升了模型的速度和精度。 3. SPP结构：SPP（Spatial Pyramid Pooling...
【YOLOv8改进 - 特征融合NECK】 GIRAFFEDET之GFPN ：广义特征金字塔网络，高效地融合多尺度特征
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
07-16 751
在传统的目标检测框架中，通常采用从图像识别模型继承的主干网络来提取深层潜在特征，然后通过颈部模块融合这些潜在特征，以捕捉不同尺度的信息。由于目标检测中的分辨率远高于图像识别，主干网络的计算成本往往占据总推理成本的主要部分。这种重型主干设计范式主要是由于将图像识别模型转移到目标检测中时的历史遗留，而不是针对目标检测进行的端到端优化设计。在本研究中，我们表明这种范式确实导致了次优的目标检测模型。为此，我们提出了一种新颖的重型颈部范式，GiraffeDet，这是一种类长颈鹿的高效目标检测网络。
VeighNa：强大的Python开源量化交易平台
Unity打怪升级
09-26 687
VeighNa（简称 VN 或 vn.py）是一个基于 Python 的开源量化交易平台，专为量化交易爱好者和专业交易员设计。VeighNa 是由国内开发者社区推动的开源项目，旨在提供一个功能丰富、灵活且易于扩展的量化交易解决方案。该框架不仅支持多种资产类别的交易，如股票、期货、期权、加密货币等，还支持多种交易接口和协议，使得用户能够轻松进行多市场、多品种的交易策略开发和部署。
第二百五十四节 JPA教程 - JPA 多对多映射示例
2301_78772942的博客
09-27 702
第二百五十四节 JPA教程 - JPA 多对多映射示例
Python精选200Tips：171-175
AnFany
09-26 1286
Python深度学习的项目
python中的深浅拷贝以及总体框架了解
AgostoDu的博客
09-26 1165
1、当b使用copy.deepcopy()深拷贝的时候，可以理解为b不仅外面的整体开辟了一个新的内存地址，b里面包含的列表也开辟了新的内存地址和a里面的内存地址没有任何关系，所以当a修改里面列表元素的值时不会影响b里面列表元素的值。print(mr) #{'name': 'lis', 'age': 18, 'scroe': 100}<br>备注：已经存在的值的优先级>默认值<br>6.3 直接修改 值，显示最新修改值 （修改默认值优先级小于直接添加的字典值）<br>
遥感影像-实例分割数据集：iSAID 从切图到YOLO格式数据集制作详细介绍
最新发布
GIS潮流
09-30 684
开源数据集isaid标注包含实例分割，但是原始影像太大，很吃显存，一般显卡无法用原始影像直接训练，所以需要对影像进行裁剪，并生成对应的标签，因为想用yolo系列跑模型，所以将标签需要转为txt格式。
ubuntu安装libtorch
meng_152634的博客
09-25 752
nouveau是由第三方为NVIDIA显卡开发的一个开源3D驱动，ubuntu默认集成了nouveau驱动，安装NVIDIA驱动前必须禁用系统自带的显卡驱动nouveau，否则安装NVIDIA驱动时会报错。，一定要确定好安装的CUDA版本是否支持显卡的算力，否则安装成功也无法使用GPU加速。如果cmake版本低于3.18，会出现下面的报错，这是由于低于3.18的cmake不支持CUDA17的编译，需要更新cmake版本。因为安装的CUDA版本为12.1，这里选择最新版的CUDNN 9.4.0进行安装。
评论
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