多尺度竞争卷积

最新推荐文章于 2024-06-22 09:13:30 发布
最新推荐文章于 2024-06-22 09:13:30 发布
阅读量7.5k 收藏 9
点赞数 2
分类专栏： 深度学习基础
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/shuzfan/article/details/50504626
版权
本文介绍了《Competitive Multi-scale Convolution》中的模型设计，重点讨论了Maxout激活函数，通过pad=K/2、stride=1的卷积保持不同尺度输出的一致性。作者构建的网络结构包含多个子网络，以解决复杂数据集问题。Maxout的使用以及与GoogleNet Inception结构的比较揭示了多尺度卷积如何提升网络能力，且通过类似Dropout的效果防止过拟合。
摘要由CSDN通过智能技术生成
此次所讲内容来自《Competitive Multi-scale Convolution》, 时间节点2015.12

1-模型

先来看看作者最开始设计的模型：

这里写图片描述

这里着重说明一下Maxout：从r1、r2、r3、r4中选择最大的响应作为输出。由于K*K大小的卷积操作中都采取了pad=K/2、stride=1的操作，因此r1、r2、r3、r4的大小是一致的。
增加了Max pooling,最终得到了下图的网络基本结构，

这里写图片描述

然后，作者又与GoogleNet的Inception结构进行了对比

这里写图片描述

2-模型解读

最低0.47元/天 解锁文章
shuzfan
关注
专栏目录
基于多尺度卷积神经网络特征融合的植株叶片检测技术
weixin_70923796的博客
09-30 1152
【摘 要】植株叶片检测是植株科学培育和精准农业过程中重要的环节之一。传统植株叶片检测的做法对操作人员的专业知识提出了较高要求，且人工成本高、耗时周期长。基于此，提出基于多尺度卷积神经网络特征融合（MCFF）的植株叶片检测技术。从深度学习技术辅助植株培育的需求出发，基于多尺度卷积神经网络特征融合，针对莲座模式植物、拟南芥和烟草3种不同类型、不同分辨率的植株进行叶片计数检测。经过与其他主流算法的比较，发现MCFF具备较高的检测精确度，平均精度均值（mAP）为0.662，实现了高度竞争的性能（AP=0.946）
多尺度卷积
我の博客
07-20 3730
比如说，输出y4可以是x4经过一次卷积，也可以是x3经过2次卷积，还可以是x2经过三次卷积。如下图，黄色部分表示高频特征图，蓝色部分表示低频特征图。作者还提到，不仅在普通的卷积中可以改造成八度卷积的方法，对于分组和可分离卷积同样也是适用的。而且八度卷积是一个可插拔的整体操作，基本上只需要在特定位置上改成相应的八度卷积即可，卷积参数基本上保持不变，只是增加了一个低频占比的参数，以及在输入输出的特征图上分成了高频和低频部分。针对冗余问题，作者降低低频特征图的分辨率，即降低低频特征图的空间维度。
多尺度卷积（MSC）
Javadayuge的博客
03-12 1551
多尺度卷积层就是用不同大小的卷积核对某一时刻所得到的特征图进行卷积操作，得到新的大小不同的特征图，之后针对不同大小的特征图上采样到输入特征图的大小。也就是说，多尺度卷积层不会改变原有特征图的大小，只是通过不同卷积核的卷积操作，丰富了图像的特征，从全局的视角对图像中的感兴趣的特征信息进行编码解码，进而提高图像的分割性能。原文链接：https://blog.csdn.net/weixin_48320163/article/details/131829049。
【YOLOv8改进】MSCA: 多尺度卷积注意力 (论文笔记+引入代码).md
最新发布
m0_63430863的博客
06-22 2031
我们提出了SegNeXt，一种用于语义分割的简单卷积网络架构。最近基于变换器的模型由于自注意力在编码空间信息方面的效率而在语义分割领域占据主导地位。在本文中，我们展示了卷积注意力是一种比变换器中的自注意力机制更高效和有效的编码上下文信息的方式。通过重新审视成功的分割模型所拥有的特征，我们发现了几个关键组件，这些组件导致了分割模型性能的提升。这激励我们设计了一种新颖的卷积注意力网络，该网络使用廉价的卷积操作。
深度学习之多尺度卷积的发展总结
weixin_44474718的博客
06-26 1万+
????（2019.04-arXiv）ScaleNet:Data-Driven Neuron Allocation for Scale Aggregation Networks【论文原文】 ???? 原理： 文本语义分割的mix； 分组采用不同的卷积核大小进行计算； 两种分组方法：等分、指数分割 ????（2019.07-arXiv）MixConv:MixConv: Mixed Depthwise Convolutional Kernels【论文原文】【代码】 ???? 原理： 深度可分离卷积的mix
多尺度动态图卷积神经网络----Multi-scale Dynamic Graph Convolutional Network for Hyperspectral Image Classificati
热门推荐
你这个代码我看不懂的博客
04-06 1万+
一、摘要 卷积神经网络（CNN）在表示高光谱图像和实现高光谱图像分类方面表现出令人印象深刻的能力。然而，传统的CNN模型只能对固定大小和权重的规则正方形图像区域进行卷积，因此不能普遍适用于具有不同对象分布和几何外观的不同局部区域。因此，它们的分类性能仍有待提高，尤其是在类边界方面。为了缓解这一缺点，我们考虑采用最近提出的图卷积网络（GCN）进行高光谱图像分类，因为它可以对任意结构的非欧几里德数据进行卷积，并且适用于由图拓扑信息表示的不规则图像区域。与常用的GCN模型工作在固定图上不同，我们使图能够随着图卷积
【多尺度混合卷积】Transformer模型ConvMAE开源：进一步挖掘和提升 MAE 的性能
limingmin2020的博客
05-31 2332
多尺度的金字塔式架构 + 局部的归纳偏置的模型，能不能经过 MAE 的训练方式之后，进一步挖掘和提升 MAE 的性能？本文就是探索这个问题。ConvMAE 简而言之就是：多尺度的金字塔式架构 + 局部的归纳偏置的模型，使用 MAE 的 Self-supervised Learning 的训练方式。
卷积变种（常规卷积、空洞卷积、多尺度卷积、分组卷积、可分离卷积、DCN形变卷积）
认真努力，做一只会飞的毛毛虫。
11-01 6875
卷积的目的： 浅层：从输入图像中提取不同方面的特征，比如水平，垂直 ，边缘或对角线。 深层：通过浅层特征的组合，提取更加抽象的高层语义特征或全局特征。 卷积变化的目的： 提高模型精度：对精度要求比较严格的场景。 提高推理速度： 对实时性要求比较严格的场景。 常规卷积 计算方式：卷积核在输入特征图上滑动并计算内积 超参数：kernel size：卷积核尺寸大小；padding：输入填充的圈数；stride：卷积核滑动步长。 输出尺寸计算公式： 空洞卷积 目的：常规卷积感受野太..
动态场景多尺度深度卷积神经网络去模糊方法及数据集
1用于动态场景去模糊的深度多尺度卷积神经网络Seungjun Nah Tae Hyun Kim Kyoung Mu Lee Department ofECE，ASRI，Seoul National University，151-742，Seoul，Korea{seungjun.nah，ligher9}@ gmail.com，kyoungmu@...
Python-MSDNet多尺度密集卷积网络的有效预测
08-11
MSDNet 多尺度密集卷积网络的有效预测
多尺度卷积神经网络的头部姿态估计_梁令羽.pdf
06-20
针对头部姿态估计准确率在实际应用中易受到光照、遮挡等干扰因素的影响以及大量运算导致算法运行 速度较低的问题，提出了多尺度卷积神经网络的头部姿态估计算法。通过使用不同尺度的卷积核对输入的头部 姿态图片进行特征提取，丰富了图像特征的同时保留了图像信息，增强算法对干扰因素的鲁棒性。同时引入 1x1 卷积对网络结构参数进行降维，降低系统的运算量，提高算法的时效性。实验结果表明，本文提出的算法在 Pointing ‘04 和 CAS-PEAL-R1 数据库的识别率分别为 96.5%和 98.9%，对于光照、表情、遮挡等干扰表现出较 好的鲁棒性，具有较好的运行速度
YOLOv10涨点改进：注意力魔改 | 新颖的多尺度卷积注意力（MSCA），即插即用，助力小目标检测 | NeurIPS2022
06-13 224
多尺度卷积注意力（MSCA），有效地提取上下文信息，新颖度高，创新十足。
YOLOv10涨点改进：block优化 | PKIBlock多尺度卷积核，优势无需膨胀，即插即用小目标涨点 | CVPR2024 PKINet 遥感图像目标检测
06-11 304
block优化 | PKIBlock多尺度卷积核，优势无需膨胀，即插即用小目标涨点 | CVPR2024 PKINet 遥感图像目标检测
探索深度学习的广阔视域：多尺度上下文聚合与扩张卷积
gitblog_00058的博客
05-17 439
探索深度学习的广阔视域：多尺度上下文聚合与扩张卷积 dilationDilated Convolution for Semantic Image Segmentation项目地址:https://gitcode.com/gh_mirrors/di/dilation 项目简介 在深度学习领域中，多尺度上下文信息的捕捉是图像识别和分割任务的关键。Multi-Scale Context Aggrega...
多尺度卷积网络在交通图标和行人检测中的应用
u010529217的专栏
08-25 3319
文章：Traffic Signs and Pedestrians Vision with Multi-Scale Convolutional Networks（Snowbird 11） 作者：Pierre Sermanet , Koray Kavukcuoglu and Yann LeCun 卷积神经网络
【论文解读】——基于多尺度卷积网络的遥感目标检测研究（姚群力，胡显，雷宏）
laozaoxiaowanzi的博客
05-07 2854
【论文解读】——基于多尺度卷积网络的遥感目标检测研究（姚群力，胡显，雷宏） 该文针对现有遥感图像目标检测算法对于复杂场景下多尺度目标检测精度较低、泛化能力差的问题，提出了一种多尺度卷积神经网络遥感目标检测框架———MSCNN。 1.引言 遥感目标自动检测技术不仅是一种实现遥感目标自动分类和定位的智能化数据分析方法，还是遥感图像解译领域的重要研究方向之一。 传统的遥感图像目标检测方法是根据人工经验设...
多尺度卷积神经网络提升人脸润饰检测精度
"基于多尺度卷积神经网络的人脸润饰检测算法通过引入图像预处理、局部归一化层以及多尺度卷积层，提升了人脸识别的准确性和效率。该算法特别针对人脸润饰检测的挑战，提高了检测精度。" 深度学习是现代计算机视觉...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值