CV 经典主干网络 (Backbone) 系列: CSPNet

已于 2023-04-26 16:01:30 修改
阅读量4.8k 收藏 23
点赞数 1
分类专栏： 机器视觉 深度学习 文章标签： 网络 深度学习 神经网络
于 2023-04-26 16:01:17 首次发布
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_36758270/article/details/130374872
版权

CSPNet

引言

对于传统深度学习，总是想达到一个增加速度同时精度提高的效果。而CSPNet的出现，告诉人们：这是可能的！
CSPNet解决了其他大型卷积神经网络框架Backbone中网络优化的梯度信息重复问题，将梯度的变化从头到尾地集成到特征图中，因此减少了模型的参数量和FLOPS数值，既保证了推理速度和准确率，又减小了模型尺寸。

1.模型介绍

在YOLOv4中，使用CSPDarknet53作为Backbone。CSPDarknet53对YOLOv3中使用的Darknet53做了一点改进，借鉴了CSPNet，CSPNet全称是Cross Stage Partial Networks，也就是跨阶段局部网络。CSPNet的网络结构如下图：
在这里插入图片描述
如果看过之前的DenseNet的相关介绍，就会发现CSPNet的结构与其实类似的。区别在于在输入部分将数据分成了两个部分： x 0

了解本专栏 订阅专栏 解锁全文 超级会员免费看
sjx_alo
关注
  • 1
    点赞
  • 踩
  • 23
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
YoloV9改进策略：主干网络篇|MobileNetV4主干替换YoloV9的BackBone（独家原创）
m0_47867638的博客
06-09 1075
今年，轻量级王者MobileNetV4闪亮登场！在我们这篇文章里，我们把MobileNetV4加入到了YoloV9中，对MobileNetV4的层数和卷积层核做了适当的修改，然后替换原有的BackBone。哈哈，你猜怎么着？效果超赞！文章里详细记录了改进过程，给那些正在为创新点子发愁的小伙伴们提供了满满的灵感。嘿，想要发表关于轻量级改进的论文？这篇文章绝对是你的首选参考！
MobileNetV4——移动生态系统的通用模型
最新发布
AI浩
04-26 1821
论文链接：https://arxiv.org/pdf/2404.10518我们推出了最新一代的MobileNets，称为MobileNetV4（MNv4），其特点是为移动设备提供普遍高效的架构设计。在核心部分，我们引入了通用倒置瓶颈（UIB）搜索块，这是一种统一且灵活的结构，融合了倒置瓶颈（IB）、ConvNext、前馈网络（FFN）以及新型Extra Depthwise（ExtraDW）变体。
AI论文精读之CSPNet—— 一种加强CNN模型学习能力的主干网络
xinxin的博客
04-09 2109
神经网络已经使得在计算机视觉任务如目标检测方面实现了令人难以置信的成果。然而，这样的成功在很大程度上依赖于昂贵的计算资源，这使得拥有廉价设备的人们无法享受到这一先进技术的好处。在本文中，我们提出了交叉阶段部分网络（CSPNet），以从网络架构的角度缓解之前的工作需要进行大量推断计算的问题。我们将问题归因于网络优化中的重复梯度信息。所提出的网络通过在网络阶段的开始和结束集成特征图来注重梯度的变化。
CSPNET详解
微信号：Custom-Software
08-23 1万+
CSPNET: A NEW BACKBONE THAT CAN ENHANCE LEARNING CAPABILITY OF CNN 神经网络已经使最先进的方法在计算机视觉任务上取得了令人难以置信的结果，如物体检测。然而，这种成功很大程度上依赖于昂贵的计算资源，这阻碍了拥有廉价设备的人欣赏先进技术。在本文中，我们提出了跨阶段部分网络（Cross Stage Partial Network，CSPNet），从网络架构的角度来缓解之前的作品需要大量推理计算的问题。我们将该问题归结为网络优化中重复的梯度信息。
【CSPNet 解读】一种增强CNN学习能力的新型骨干网络
不积跬步，无以至千里！
12-11 5358
这篇文章发表于CVPR2019，提出了跨阶段局部网络(CSPNet)，以缓解以往的工作需进行大量推理计算的问题。在当前风靡一时的YOLOv4目标检测网络中，也引用了CSPNet作为骨干网络。
CSPNet: A New Backbone that can Enhance Learning Capability of CNN（2019）
qihshe的博客
12-09 260
CSPNet可以显著降低计算瓶颈和精确融合模型(EFM)，可以有效降低所需的内存带宽 能够提高CNN的学习能力，可以有效减少内存
第五章 CSP 架构 - 组件，信息流
yaoxin521123的博客
10-04 1130
服务器可以由一台或多台计算机实现。在开发过程中，所有三个组件（之间的通信并调用应用程序代码来生成页面。页面，以及其他文本格式和二进制格式，例如图像。服务器（支持所有领先的服务器）和标准。服务器上的进程，专门用于处理来自。在大规模部署中，可能有多个。服务器）视为各有一个。服务器采用两层或三层配置。服务器）可能都位于一台。网关是一个共享库、一个。
csp结构是什么
qq_43578042的博客
10-17 1891
CSP结构通过将输入特征分为两部分，然后在这两个部分之间进行交叉连接的方法来提高深度神经网络的性能。CSP结构能有效提高模型的特征表示能力，从而提高模型的准确性和泛化能力。
计算机视觉—YOLO V4
sinat_42247418的博客
06-02 724
计算机视觉—YOLO V41、YOLO V41.1、网络结构1.1.1、BackBone：CSPDarknet531.1.2、Neck：SPP结构1.1.3、Neck：PAN结构1.1.4、YOLO v4整体结构1.2、优化策略
YOLOV4原理剖析及建模实战
07-13
【课程特色】 1、超强师资+体系全面+ 1 对 1 答疑+离线缓存+永久有效，无限回放 2、知识全面系统， YOLO v1到YOLO v4 网络结构全面解析，YOLO v4优化点总结以及使用YOLO v4训练自己的目标检测模型，从原理到实战，让你一门课掌握YOLO系列的前世今生。   【为什么要学习这门课？】 目标检测是计算机视觉和数字图像处理的一个热门方向，广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域，通过计算机视觉减少对人力资本的消耗，具有重要的现实意义。因此，目标检测也就成为了近年来理论和应用的研究热点。  目标检测工程落地中,以二阶段和一阶段网络为主,其中yolo系列落地公司最多; 最近新出的yolov4必将代替yolov3 以及其他二阶网络。 【学完后我将达到什么水平？】 你将能够熟练掌握 Windows环境下的深度学习模型的搭建，具备使用YOLO v4训练自己的目标检测模型等项目实战能力，掌握计算机视觉工程师的核心能力。   【面向人群】 1、对计算机视觉领域有兴趣的学生、研究人员等； 2、有一定编程基础，对YOLO 系列有深刻理解的开发者； 3、想要了解如何训练自己的深度学习模型的深度学习的初学者； 4、准备从事计算机视觉领域开发工作的程序员。 【课程内容】
YOLOV5的多主干网络（backbone）实现.zip
03-05
# 复现TPH-YOLOv5 # 支持的backbone为Ghostnet、Shufflenetv2、Mobilenetv3Small、EagleEye、EfficientNetLite-0、PP-LCNet-1x、SwinTrans-YOLOv5
主干地址簿示例：示例Backbone应用
02-13
它只有一个模型（正在收集中）和稍微定制的Backbone.sync以适应REST API。 该应用程序已被用作演示在波士顿BackboneConf 2014上展示如何使用Backbone＆Hoodie构建Offline First应用程序。 设置 git clone git@...
single-spa-backbone:单spa主干插件
05-08
《单SPA主干插件——single-spa-backbone深度解析》 在当今互联网技术日新月异的时代，前端开发模式也在不断演进。微前端（Microfrontends）作为一种新兴的架构模式，允许开发者将大型应用拆分成多个独立的前端模块...
backbone:主干下划线源码分析
03-23
标题“backbone:主干下划线源码分析”暗示我们将深入探讨Backbone.js和其对Underscore.js的使用。Underscore.js是Backbone.js的一个基石，因为它提供了一系列实用的函数，如迭代、对象操作、函数编程等，使得开发者...
backbone:主干示例应用程序
06-04
主干样板这个样板是大量研究和挫折的产物。 现有的样板可以自由修改 Backbone 核心，缺乏构建过程，并且非常规范； Backbone Boilerplate 改变了这一点。 Backbone Boilerplate 是一种组织具有一些自以为是的默认值...
深度学习_经典网络_CSPNet网络详解
热门推荐
欢迎大家关注我
08-19 1万+
CSPNet的贡献 增强了CNN的学习能力，能够在轻量化的同时保持准确性。 降低计算瓶颈。 降低内存成本。 CSPNet介绍 作者认为在神经网络推理过程中计算量过高的问题是由于网络优化中的梯度信息重复导致的。CSPNet通过将梯度的变化从头到尾地集成到特征图中，在减少了计算量的同时可以保证准确率。 CSPNet不仅仅是一个网络，更是一个处理思想，可以和ResNet、ResNext、DenseNet、EfficientNet等网络结合。 从下图可以看出，CSPNet与其他模型结合后的效果： CSPNet
【动手学PaddlePaddle2.0系列】CSP网络结构实战
lxm12914045的博客
04-21 2083
【动手学PaddlePaddle2.0系列】CSP网络结构实战 0 理论介绍   Cross Stage Partial Network(CSPNet)就是从网络结构设计的角度来解决以往工作在推理过程中需要很大计算量的问题。作者认为推理计算过高的问题是由于网络优化中的梯度信息重复导致的。CSPNet通过将梯度的变化从头到尾地集成到特征图中，在减少了计算量的同时可以保证准确率。CSPNet是一种处理的思想，可以和ResNet、ResNeXt和DenseNet结合。 其核心思想就是将输入切分。其目的在于提出一种
CV 经典主干网络 (Backbone) 系列: EfficientNet
生命在于折腾！
03-20 2817
CV 经典主干网络 (Backbone) 系列: EfficientNet 作者：Mingxing Tan 等 发表时间：2019 Paper 原文： EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks 该篇是 CV 经典主干网络 (Backbone) 系列 下的一篇文章。 练丹师在练丹的时候，对于卷积神经网络，通常通过调整网络深度(depth)、**网络宽度(width)和输入图像分辨率 (resolution
CSP——脉冲神经网络
Wu_L7的博客
05-29 1616
CSP——脉冲神经网络（AC）
yolov5cspnet
09-04
YOLOv5 CSPNet是YOLOv5中使用的一种网络结构。不同于YOLOv4只在主干网络中使用了CSP结构，YOLOv5引入了两种CSP结构。其中，CSP1_X应用于主干网络（Backbone），而另一种CSP2_X则应用于Neck中。这种结构的引入旨在提高模型的性能和准确性。 然而，需要注意的是，YOLOv5的作者并没有发表论文，因此我们只能从代码角度进行分析。YOLOv5的代码可以在GitHub上找到。在训练阶段，YOLOv5采用了CIOU_Loss，类似于YOLOv4。而在推理阶段，YOLOv4使用了DIOU_Loss和DIOU_nms，而YOLOv5使用了加权nms的方式。 总结来说，YOLOv5 CSPNet是YOLOv5中采用的一种网络结构，它在主干网络和Neck中应用了CSP结构，以提高模型的性能和准确性。同时，YOLOv5在训练阶段采用了CIOU_Loss，在推理阶段采用了加权nms的方式。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [YOLO系列梳理（三）YOLOv5](https://blog.csdn.net/KANG157/article/details/124377276)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]
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

打赏作者

sjx_alo

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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