深度学习
师大先生
在这里记录一些平时学的零碎的小知识哈哈哈~~~
展开
-
CBAM(卷积块注意模块)学习笔记
论文地址:https://arxiv.org/abs/1807.06521一.简介我们提出了Convolutional Block Attention Module(CBAM), 一个简单而有效的注意模块的前馈卷积神经网络。给出了一个中间特征映射, 我们的模块按照两个独立的维度、通道和空间顺序推断出注意力映射, 然后将注意力映射相乘为自适应特征细化的输入特征映射。因为 CBAM 是一个轻量级和...转载 2019-11-06 14:28:25 · 4784 阅读 · 0 评论 -
浅谈Mask RCNN
一、Mask RCNN的优点1. Mask网络的加入,使Mask-RCNN不仅能处理物体检测问题,还能处理语义分割问题。2. 对于Faster RCNN的ROI pooling layer两次量化,无法将feature map与原像素精准对齐的问题,Mask RCNN 将ROI pooling替换为ROIAlign。ROIAlign能将像素对齐,满足了图像语义分割的准确度要求。二、网络模型...原创 2019-10-15 22:14:17 · 4586 阅读 · 0 评论 -
浅谈Faster RCNN
Fast-RCNN基本实现端对端(除了proposal阶段外),下一步自然就是要把proposal阶段也用CNN实现(放到GPU上)。这就出现了Faster-RCNN,一个完全end-to-end的CNN对象检测模型。一、经典的Fast RCNN存在的问题:region proposal的提取仍然采用selective search,整个检测流程时间大多消耗在这上面(生成region pro...原创 2019-10-15 17:50:25 · 370 阅读 · 0 评论 -
浅谈Fast RCNN
一、经典的RCNN存在的问题:训练分多步骤时间和空间开销大(在训练SVM和回归的时候需要用网络训练的特征作为输入,特征保存在磁盘上再读入的时间开销较大)测试比较慢(每张图片的每个region proposal都要做卷积,重复操作太多)二、网络模型输入是224×224的固定大小图片经过5个卷积层+2个降采样层(分别跟在第一和第二个卷积层后面)进入ROIPooling层(其输入是...原创 2019-10-14 19:48:43 · 214 阅读 · 0 评论 -
浅谈RCNN
RCNN算法分为4个步骤:一张图像生成大约2千个候选区域对每个候选区域,使用深度网络提取特征特征送入每一类的SVM 分类器,判别是否属于该类使用回归器精细修正候选框位置1.生成候选区域将图像过分割,再将相似(颜色、文理等相似)的区域组合,直到组合成完整图像为止。整个过程中产生的区域都作为候选区域。生成两千个左右的候选区域。2.特征提取把候选区域归一化成同一尺寸227×22...原创 2019-10-14 17:00:19 · 205 阅读 · 0 评论 -
PyTorch学习笔记 (一)——入门篇
一、Tensor入门inplace method:y.add_ (x) equals y = y.add(x)tensor和numpy类型可以快速转换,是共享内存,几乎不消耗时间。但应注意值改变问题。使用GPU加速Tensor的.cuda方法可以将其转化为GPU的Tensor可以发现GPU比CPU快了将近十倍二、Autograd:自动微分autograd.Vari...原创 2019-09-28 04:05:35 · 264 阅读 · 0 评论 -
PyTorch学习笔记(二)——Tensor
1、创建Tensor函数功能Tensor(*size)基础构造函数ones(*size)全1zeros(*size)全0eye(*size)对角线为1,其他为0arange(begin,end,step)从begin到end,步长为steplinspace(begin,end,steps)从begin到end,等间隔取steps个值...原创 2019-10-01 03:54:48 · 216 阅读 · 0 评论 -
PyTorch学习笔记(三)——autograd
简介:torch.autograd模块能够根据输入和向前传播过程自动构建计算图,并自动求导,执行反向传播。原创 2019-10-04 00:26:12 · 326 阅读 · 0 评论