![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
CV的基础骨干神经网络(Backbone)论文解读
文章平均质量分 89
深度学习中最基础的网络
skywuuuu
这个作者很懒,什么都没留下…
展开
-
Going Deeper with Convolutions中Inception概要
1. 简单介绍 提出一个新的CNN结构叫Inception,GoogLeNet只是其中的一个典型模型 好处是在提升了深度和宽度的同时保持了计算时长恒定。效率和效果都有提升。 2. 相关工作 已有的CNN标准结构:栈式的卷积层模块化多层堆叠(VGG:Conv2d+BatchNorm+ReLU)+池化+全连接层(带有dropout)效果不错。 在Serre et al.的一系列固定但大小不同的Gabor滤波器(Gabor是由视觉皮层神经模型启发而来)的基础上,Inception结构的滤波器是可以学习的。而原创 2021-01-17 15:21:34 · 114 阅读 · 1 评论 -
1.2 VGG训练方法概要
3 CLASSIFICATION FRAMEWORK 这个部分讲的是ConvNet分类网络训练和测试的细节。 3.1 TRAINING ConvNet的训练程序基本和AlexNet差不多。也就是说,训练是通过使用具有**动量 (momentum)**的,基于反向传播的mini-batch梯度下降来优化多项logistic regression. batch size设置为256,momentum为0.9. 这个训练是通过weight decay(L2regularizationL^2 regularizat原创 2020-12-09 22:08:08 · 1570 阅读 · 2 评论 -
使用cifar10数据集进行训练和验证(pytorch)
使用cifar10数据集进行训练和验证(pytorch) import torch from torch.utils.data import DataLoader from torchvision import datasets, transforms from lenet5 import Lenet5 from ResNet import ResNet18 from AlexNet import AlexNet # from VGG import vgg16_bn from VGG_2 import vg原创 2020-12-09 18:02:08 · 2988 阅读 · 2 评论 -
1.1 VGG结构概要
VGG结构概要 VGG论文原文链接 ABSTRACT 在工作中,研究者调查了CNN的深度在识别大规模图片的精度上的作用。主要的贡献是对提高深度和使用非常小(3×3)的卷积核进行了详尽的评估,发现在当时的技术下,当深度为16-19层时,网络性能有一个非常重大的提升。 INTRODUCTION 当CNN在计算机视觉的领域越来越有用,大量的在AlexNet (2012)基础上的改进出现了。比如用更小size和stride的卷积层。另一项提升涉及到在整个图像和多尺度上密集地训练和测试网络。在这片文章中,研究者强调了原创 2020-12-09 14:19:47 · 609 阅读 · 0 评论