senbinyu的博客

损失函数是最优化目标的一种代表，大多数情况下，我们无法直接用最优化目标，故用损失函数来替代。因此，如何选择一个损失函数，以让他和最优化目标更为接近显得极为重要。更多文献综述及文献回顾，请参阅：https://github.com/senbinyu/Computer_Vision_Literatures1. Review paper，综述文献推荐Ma et al., 2020, Nanjing University of Science and Technology, Segmentation Los

本文集中了一些针对模型压缩和技巧，用于加快计算速度的论文。 如下所示，模型压缩具有不同的技术，在这里我将主要列出深度学习网络部分。1. Review papers，综述文章以下是推荐用于模型压缩和加速的几篇论文。Cheng Yu et al., A survey of model compression and acceleration for deep neural networks, 2017.Cheng Jian et al., Recent advances in efficie

本文列出了一些经典的轻型神经网络架构设计的集合，广泛用于移动设备等。轻量级网络的评论文章通常包含模型压缩和处理技巧，可参阅以下系列文章https://github.com/senbinyu/Computer_Vision_Literatures1. 综述文献推荐Cheng Yu et al., 2017, A survey of model compression and acceleration for deep neural networksCheng Jian et al., 2018

本文罗列了 and state-of-art papers working on image segmentation by using deep learning.1. Review papersGuo et al., Leiden University, 2018, A review of semantic segmentation using deep neural networksRecommand Minaee et al., Snapchat Inc, 2020.01, Image Seg

为读者正确理解意思，目录用英文表示，正文为中文。更多的关于计算机视觉的综述可查阅https://github.com/senbinyu/Computer_Vision_Literatures目录表1. Review papers2. Detection paradigms2.1 Two-stage detectors2.2 One-stage detectors3. Feature representing (feature extraction and fusion)3.1 mul

本文将列出神经网络几种骨架结构的历史沿袭，对从框架上了解backbones有重要帮助。阅读时间约10分钟。更多的机器视觉文献回顾可参阅：https://github.com/senbinyu/Computer_Vision_Literaturesnetwork backbones是神经网络最重要的体系结构。1. Review papers以下列出一些综述文章，推荐阅读第二篇Neena Aloysius and Geetha M, A Review on Deep Convolutional Ne