目标检测之特征提取网络
文章平均质量分 87
炼丹代师
研究方向:深度学习;语义分割
展开
-
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.原创 2021-11-22 19:38:41 · 7255 阅读 · 4 评论 -
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、论文理原创 2021-11-20 17:33:53 · 4933 阅读 · 1 评论 -
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..原创 2021-11-19 17:05:15 · 3489 阅读 · 1 评论 -
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原创 2021-11-15 23:15:32 · 4074 阅读 · 0 评论 -
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原创 2021-11-15 14:06:24 · 5948 阅读 · 1 评论