小梦人心-CSDN博客

原创 yolov7-学习笔记

实时目标检测是计算机视觉中一个非常重要的主题，因为它通常是计算机视觉系统中的必要组件。例如，多目标跟踪[94、93]、自动驾驶[40、18]、机器人技术[35、58]、医学图像分析[34、46]等。执行实时目标检测的计算设备是通常是一些移动CPU或GPU，以及各大厂商开发的各种神经处理单元（NPU）。

2023-03-12 10:03:17 1176

YOLO 系列一直是工业应用中最受欢迎的检测框架，因为它在速度和准确性之间取得了出色的平衡。YOLO 系列的开创性工作是 YOLOv1-3 [32-34]，随着后来的实质性改进，它开辟了单级检测器的新道路。YOLOv4 [1] 将检测框架重组为几个独立的部分（主干、颈部和头部），并在当时验证了 bag-of-freebies 和 bag-of-specials 以设计适合在单个 GPU 上训练的框架。

2023-03-11 14:52:13 1266 2

原创 Searching for MobileNetV3 学习笔记

我们展示了基于互补搜索技术和新颖架构设计组合的下一代 MobileNet。通过硬件感知网络架构搜索 (NAS) 与 NetAdapt 算法相结合的方式针对手机 CPU 进行调整，然后通过新颖的架构改进进行改进。本文开始探索自动搜索算法和网络设计如何协同工作以利用互补方法改进整体技术水平。通过这个过程，我们创建了两个新的 MobileNet 模型以供发布：MobileNetV3-Large 和 MobileNetV3-Small，它们分别针对高资源和低资源用例。

2023-02-24 22:25:16 281

原创 MobileNetV2 Inverted Residuals and Linear Bottlenecks（MobileNetV2倒残差和线性瓶颈）学习笔记

神经网络已经彻底改变了机器智能的许多领域，使具有挑战性的图像识别任务具有超人的准确性。然而，提高准确性的动力往往是有代价的:现代最先进的网络需要高计算资源，超出了许多移动和嵌入式应用程序的能力。本文介绍了一种新的神经网络体系结构，它专门为移动和资源受限的环境量身定制。我们的网络通过显著减少所需的操作数量和内存，同时保持相同的精度，推动了移动定制计算机视觉模型的最先进水平。我们的主要贡献是一个新的层模块:带线性瓶颈的反向残差。该模块。

2023-02-23 16:56:58 491

原创 MobileNetV1学习笔记

自从AlexNet通过赢得ImageNet挑战赛:ILSVRC 2012而普及了深度卷积神经网络以来，卷积神经网络在计算机视觉中已经无处不在。为了达到更高的精度，一般的趋势是构建更深、更复杂的网络。然而，这些提高准确性的进步并不一定会使网络在规模和速度方面更有效。在许多现实世界的应用中，如机器人、自动驾驶汽车和增强现实，识别任务需要在计算有限的平台上及时执行。本文描述了**一种高效的网络架构和一组两个超参数，以构建非常小，低延迟的模型，可以很容易地匹配移动和嵌入式视觉应用程序的设计需求。

2023-02-21 22:14:49 141

原创 HRIPCB a challenging dataset for PCB defects detection and classification学习笔记

印刷电路板(PCB)是电子设备中放置大量元件的基本载体。pcb的质量将直接影响电子器件的性能。为了避免人工检测容易疲劳、效率低等缺点，自动化光学检测在工业上得到了广泛的应用。随着PCB向着更高精度和密度的方向发展，PCB变得越来越复杂，缺陷检测和分类的任务也比以前更加困难。目前，虽然有一些关于PCB缺陷检测的论文，但这些论文都使用自己的数据集。由于缺乏开放数据集，导致无法评估各种方法。为了解决上述问题，本文提出了一个具有缺陷的公共彩色合成PCB数据集，供其他想要设计和评估其方法的人使用。

2023-02-19 21:00:50 964 1

原创 cifar目标检测

cifar目标检测学习

2023-02-18 16:03:28 114

原创 EfficientRep An Efficient Repvgg-style ConvNets with Hardware-aware Neural Network Design

作者提出了一种硬件高效的卷积神经网络架构，它具有类似repvgg的架构。Flops或参数是评估网络效率的传统指标，对包括计算能力和内存带宽在内的硬件不敏感。因此，如何设计一个有效利用硬件计算能力和内存带宽的神经网络是一个关键问题。提出了一种硬件感知神经网络的设计方法。在此基础上，我们设计了具有高计算量硬件(如计算机硬件)的EfficientRep系列卷积网络。图形处理器友好，应用于YOLOv6对象检测框架。

2023-02-18 15:52:50 1348 1

原创 AlexNet

当前对象识别方法主要使用机器学习方法。为了提高它们的性能，我们可以收集更大的数据集，学习更强大的模型，并使用更好的技术来防止过度拟合。直到最近，标记图像的数据集相对较小——数量级为数万张图像（例如，NORB、19 Caltech-101/256和 CIFAR-10/100 ）。使用这种大小的数据集可以很好地解决简单的识别任务，尤其是当它们增加了标签保留转换时。例如，MNIST 数字识别任务的当前最佳错误率 (

2022-12-01 16:52:10 629

原创 YOLOX Exceeding YOLO Series in 2021

随着目标检测的发展，YOLO 系列始终追求实时应用的最佳速度和精度权衡。它们采用了当时可用的最先进的检测技术（例如，用于 YOLOv2 的锚点框，YOLOv3的残差网络）并优化实现以实现最佳实践。目前，YOLOv5在 COCO 上以 13.7 ms 的 48.2% AP 保持最佳权衡性能。尽管如此，在过去的两年中，目标检测学术界的主要进展集中在无锚框检测器、高级标签分配策略和端到端（无 NMS）检测器。

2022-11-09 19:46:08 230

原创 attention is all you need

循环神经网络、长短期记忆和门控循环神经网络，已被牢固地确立为序列建模和转导问题（如语言建模和机器翻译）的最先进方法。循环模型通常沿输入和输出序列的符号位置考虑计算。将位置与计算时间的步骤对齐，它们生成一系列隐藏状态 ht，作为先前隐藏状态 ht-1 和位置 t 的输入的函数。这种固有的顺序性质排除了训练示例中的并行化，这在更长的序列长度下变得至关重要，因为内存限制限制了示例之间的批处理。最近的工作通过因式分解技巧和条件计算显着提高了计算效率，同时还提高了后者的模型性能。然而，顺序计算的基本约束仍然存在。

2022-11-07 21:46:16 660

qq_46539177的博客

原创 yolov7-学习笔记

原创 yolov6用于工业应用的单级目标检测框架

原创 Searching for MobileNetV3 学习笔记

原创 MobileNetV2 Inverted Residuals and Linear Bottlenecks（MobileNetV2倒残差和线性瓶颈）学习笔记

原创 MobileNetV1学习笔记

原创 HRIPCB a challenging dataset for PCB defects detection and classification学习笔记

原创 cifar目标检测

原创 EfficientRep An Efficient Repvgg-style ConvNets with Hardware-aware Neural Network Design

原创 AlexNet

原创 YOLOX Exceeding YOLO Series in 2021

原创 attention is all you need

原创 yolov4

原创 yolov3

原创 YOLO9000 Better, Faster, Stronger

原创 yolo(you only look once)学习笔记--yolo v1

空空如也

空空如也