![](https://img-blog.csdnimg.cn/20201014180756919.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
文章平均质量分 91
ultra_zhl
这个作者很懒,什么都没留下…
展开
-
论文笔记 BiSeNet: Bilateral Segmentation Network for Real-time Semantic Segmentation
论文笔记 BiSeNet: Bilateral Segmentation Network for Real-time Semantic Segmentation论文地址1. 介绍目前实时语义分割主要有三种方法可以加速模型,如图(a)所示限制输入的大小,通过裁剪或者调整大小来降低计算复杂性,尽管该方法简单有效,但是空间细节的丢失破坏了预测,尤其是边界附近的预测,导致度量和可视化的准确性均下降。有些工作没有调整输入图像的大小,而是修剪网络通道以提高推理速度[1、8、25],尤其是在基本模型的早期阶段原创 2021-01-31 21:52:50 · 221 阅读 · 0 评论 -
论文笔记 MobileNets V2
MobileNetV2: Inverted Residuals and Linear Bottlenecks1.MobileNetV1不足2.MobileNetv2改进2.1 Linear Bottlenecks2.2 Inverted Residuals3. MobileNetsV2 网络结构1.MobileNetV1不足MobileNetV1引入了深度可分离卷积大大降低了网络参数和运算量,但也存在一些缺点MobileNet V1 的结构其实非常简单,论文里是一个非常复古的直筒结构,类似于VGG一原创 2020-10-27 13:52:06 · 465 阅读 · 0 评论 -
论文笔记 MobileNets v1轻量化网络介绍
MobileNets1.MobileNets目标2.MobileNets网络结构2.1 深度可分离卷积 (Depthwise Separable Convolution)2.2 宽度乘数 Width Multiplier2.3 分辨率乘数 Resolution Multiplier3.Experiment1.MobileNets目标卷积网络的复杂性使得对图像的分类精度得到提高,但这并不能带来速度的提升,而在自动驾驶,机器人技术等应用领域,识别技术应该在计算受限的平台上实时运行。本文为移动和嵌入式视觉应原创 2020-10-25 20:42:12 · 305 阅读 · 0 评论 -
图像分割网络之UNet
Unet网络理解1.本文主要内容1.1 网路结构1.2 Overlap-tile strategy1.3 数据增强1.4 加权损失2. 本文方法特点3.使用到实际过程时的问题参考资料UNet首次在2015年MICCAI上发表,在医疗影像上分割取得了很好的效果。医疗影像有如下特点:图像语义较为简单、结构较为固定。医疗影像都是一个固定的器官成像,由于器官本身结构固定和语义信息没有特别丰富,所以高级语义信息和低级特征都显得很重要。数据量少,单幅图像分辨率高。经常只能获得一百多例的数据,因此要避免模型复杂原创 2020-07-12 22:10:10 · 2372 阅读 · 0 评论