图像分类
文章平均质量分 92
行路南
公众号:CV前沿
展开
-
【图像分类】ShuffleNet: 一个极端高效的移动端卷积神经网络
码字不易,欢迎点赞。文章同步发布在公众号:CV前沿在上一篇文章中,我们已经介绍了一种针对移动端和嵌入式设备的卷积神经网络—-MobileNet。今天我们要介绍的是旷视科技在2017年12月份提出的更加高效的移动端卷积神经网络—-ShuffleNet。在ShuffleNet网络中使用了两个创新的操作:pointwise group convolution(逐点组卷积)channle shuffle(通道混洗)概要来说,逐点组卷积是降低了逐点卷积(也即是1*1卷积)的计算复杂度; 同时为了原创 2021-05-19 12:25:42 · 1047 阅读 · 1 评论 -
【图像分类】MobileNet: 一点创新、两个超参
MobileNet是2017年由Google提出的一个应用于移动端和嵌入式的卷积神经网络。它的主要应用场景包括有智能手机、无人机、机器人、自动驾驶、增强现实等等。在这之前,研究者更多还是关注于精度的提升,模型也是朝着深度更深、结构更复杂的方向发展。从最初12年提出的8层的AlexNet、再到14年各领风骚的19层的VGG和22层的GoogLeNet、再到15年何凯明大神提出的152层的ResNet。可见,深度是越来越深,精度是越来越高。但与此同时,这些网络的参数和计算量也是足够的大,很难在移动端和嵌入.原创 2021-05-12 11:26:51 · 1099 阅读 · 1 评论 -
【图像分类】移动端网络中最常用的几种卷积操作
随着AlexNet 在2012年ImageNet 竞赛中赢得冠军之后,卷积神经网络在计算机视觉领域已开始变得无处不在。一个大的研究趋势是研究更深、更复杂的网络,从而实现更高的准确率。但这些提升准确率的改进并不一定会使网络在大小和速度上更加高效。然而在许多现实世界的应用中,比如智能手机、机器人、无人机、自动驾驶、增强现实等,图像识别任务需要在计算资源受限的平台上高效的执行。为此,出现了很多研究针对移动端与嵌入式设备上应用的小型高效的网络,比如MobileNetV1、MobileNetV2、ShuffleN原创 2021-05-06 09:54:56 · 356 阅读 · 0 评论 -
DenseNet --CVPR 2017年 最佳论文
2017年国际计算机视觉与模式识别大会(CVPR2017)在美国夏威夷火奴鲁鲁岛召开,姚班计科30班刘壮同学以共同第一作者身份发表的大会论文Densely Connected Convolutional Networks(《密集连接的卷积神经网络》)获得了会议最佳论文奖。论文主要的贡献是提出了一种全新的卷积神经网络架构DenseNet,显著地提升了模型在图片识别任务上的准确率。让我们一起拜读一下大牛的这篇文章吧!!!摘要最近的研究工作表明,卷积神经网络在临近输入层和输出层之间加入捷径连接,使得网络.原创 2021-04-25 20:33:43 · 706 阅读 · 0 评论 -
【图像分类经典网络 | LeNet-5】一切都在孕育之中
今天我们讲的内容,要先从一个人物谈起。Yann LeCun(中文名:杨立昆、卷积网络之父、纽约大学数据科学中心主任、Facebook人工智能研究院主任、深度学习三巨头之一、图灵奖获得者)杨立昆于1960年7月生于法国巴黎附近。1983年他在巴黎高等电子与电气工程师学校获得了一个工程师学位,1987年从巴黎第六大学获得了一个计算机科学博士学位。博士在学期间,他提出了神经网络的反向传播学习算法(Backpropagation,缩写为BP)的原型。他随后到多伦多大学师从Geoffrey Everest Hi原创 2021-04-19 09:24:37 · 1230 阅读 · 0 评论