- 博客(12)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 如何使用自己的数据集快速实现mmsegmentation算法库中的任意语义分割算法及算法改进（一）
本系列适用于利用mmseg算法库法宝做语义分割毕业设计及写研究论文的本科生及研一道友，在本系列中，炼丹代师我会介绍全新无伤的使用mmsegmentation算法库法宝方法，以及一些常见的改进方法（包括但不限于backbone改进：更换backbone/使用空洞卷积/**插入即插即用的各种注意力模块**；分割头改进：更换分割头/设计辅助分割头；损失函数改进：多损失函数设计/损失函数按分割类别优化权重/按损失函数类别优化权重）。
2023-01-14 11:09:15
1012
5
原创 快速制作自己的VOC语义分割数据集
PASCAL VOC2012是语义分割任务极为重要的官方数据集，大量优秀的语义分割模型都会刷一下这个数据集，因此我们在使用别人的开源代码时，如果能将自己的数据集整理成官方数据集的格式，则可快速验证模型性能，减少自身工作量。
2022-11-08 10:31:26
6827
25
原创 PS才是真科研利器，助力快速分割标注工作
本文针对语义分割任务打点标注工作太繁琐、边缘位置不精确等问题提出基于PS的快速语义分割标注方法，后续会推出语义分割系列数据集构建与转换方法。
2022-11-04 17:56:54
2142
1
原创 【无标题】
提示：本系列博客是对bilibili算法课程《算法很美》的python笔记总结，其中吸收不少优秀博主的原创博客，由于本人总结未附上对应的博客地址，若发现本文博客内容与您发表的博客内容吻合，请您联系作者，给您添加引用地址。
2022-04-17 17:04:16
590
原创 蓝桥杯算法之排序算法
提示：本系列博客是对bilibili算法课程《算法很美》的python笔记总结，其中吸收不少优秀博主的原创博客，由于本人总结未附上对应的博客地址，若发现本文博客内容与您发表的博客内容吻合，请您联系作者，给您添加引用地址。
2022-04-09 19:57:26
487
1
原创 GhostNet
论文地址文章目录前言一、论文解读1.Ghost卷积设计2.Gbneck残差模块设计3.GhostNet网络架构二、代码实现1.卷积模块2.残差模块实现3.网络实现三、验证模型总结前言Ghostnet提出自己的架构设计思路：特征图的冗余是深度神经网络成功的一个重要特征。Ghostnet倾向于以一种代价低廉的线性操作来获取它们，而不是避免冗余的特性映射！一、论文解读1.Ghost卷积设计在本文中，我们引入了一个新的Ghost模块，用更少的参数生成更多的特征。具体来说，将深度神经网络中的普通卷.
2021-11-22 19:38:41
6938
4
原创 ShuffleNet-V2论文理解及代码复现
ShuffleNet-V2论文理解及代码复现目录ShuffleNet-V2论文理解及代码复现文章速览一、论文理解1.关键点及实验2.架构设计二、代码复现1.通道spilt及shuffle操作2.bottleblock实现3.网络实现4.实现效果总结文章速览本文总结Shufflenet-V2相对Shuffle-V1的改进，并对其代码使用Pytorch1.8进行了复现。下面给出论文地址及参考代码地址，以供学习和参考。论文地址参考代码地址提示：以下是本篇文章正文内容，下面案例可供参考一、论文理
2021-11-20 17:33:53
4448
1
原创 shuffleNet-V1论文阅读及代码实现
shuffleNet-V1论文阅读及代码实现前言一、论文阅读总结1.Channel Shuffle2.Group Conv3.消融实验二、代码实现1.shuffle实现2.瓶颈模块实现3.shufflenet网络实现总结前言shufflenetV1是卷积神经网络向轻量化发展的又一方向，是继Mobilenet的轻量化网络。一、论文阅读总结论文地址Tricks: Group Convolution在1*1卷积上的应用；channel shuffle提高通道之间的信息传递；1.Chann..
2021-11-19 17:05:15
3261
1
原创 CBAM论文解读+CBAM-ResNeXt的Pytorch实现
CBAM是继SENet的又一个应用软注意力机制的卷积模块，同SENet一致，CBAM具有极佳的移植性，CBAM在SENet的基础上提出空间注意力机制，进一步提升注意力在卷积神经网络中的应用
2021-11-15 23:15:32
3877
原创 SENet论文解读及代码实例
SENet论文解读及代码实例在SENet前的网络是针对卷积空间来做处理的，而SENet考虑了卷积通道上的的权重（明确地建模网络卷积特征通道之间的相互依赖关系），通过训练每个通道权重来抑制无用特征，提高有用特征在分类网络的占比，从而实现识别精度的提升。SENet引入权重计算网络，识别精度提升的代价为参数量提高10%左右，计算量提高1%左右。1）SE block模块原理下图为SE模块的建立过程 ，在SE模块中，生成的特征图经聚合层（Squeeze）生成每一个通道的全局信息，公式如下：全局信息通过激励层
2021-11-15 14:06:24
5885
1
原创 lenet5实现
Pytorch环境下搭建lenet5网络实现手写数字识别（文章采用cuda9.0+cudnn7.4+pytorch1.6环境）数据集选用EMNIST dataset中的手写数据集，参考链接如下：数据集下载地址代码部分参考S.E作者的pytorch实现手写英文字母识别，链接如下：代码部分在原作者的基础下将整个运行环境搭载在GPU上，实现代码如下：#查看GPU是否可用device = torch.device("cuda:0" if torch.cuda.is_available() else
2021-09-23 22:23:43
978
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人