![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
深度学习
文章平均质量分 71
主要记录有关深度学习一些底层原理的学习和笔记
好好学图算
这个作者很懒,什么都没留下…
展开
-
RVM论文阅读笔记
Robust High-Resolution Video Matting with Temporal Guidance论文下载:https://arxiv.org/pdf/2108.11515.pdfgithub:GitHub - PeterL1n/RobustVideoMatting: Robust Video Matting in PyTorch, TensorFlow, TensorFlow.js, ONNX, CoreML!一、亮点总结 Nvidia GTX 1080...原创 2021-10-26 17:22:32 · 1258 阅读 · 0 评论 -
HRank论文总结
之前接触深度学习时结合自己负责的项目接触过关键点检测,语义分割这两个方向,当时主要研究了下对应方向的最新的网络以及曾经提出过的经典网络。在学习的过程中其实越来越体会到,选网络,训练,调参这些任务并不难的,因为这些在网上参考资料挺多的。其实深度学习这块最核心最重要的还是往应用端部署。很多网络能在显卡上达到实时性,但是怎么部署到算力有限的下位机中,这些在网上资料比较少,尤其是如果部署的平台比较小众,像一些国产的低端芯片,用的人比较少,然后可能本来芯片卖的就便宜,配套的资料不完善等等,这时候很多问...原创 2021-05-06 15:51:56 · 1065 阅读 · 9 评论 -
Pytorch网络模型参数修改
最近在研究HRank的论文和代码,发现里面的模型结构化剪枝后,模型大小没有变小,打印最终训练完后的网络模型中的参数,发现它只是把一些channel的参数全部稀疏化为0,并没有把channel的个数裁剪下来。 于是想自己写代码重新构建裁剪channel后的小网络,然后把通道稀疏化(也就是裁剪)后的网络参数直接给到小网络中,这样做就可以用小网络模型做一模一样的推理了。关于为什么可以直接用小网络获取大网络稀疏化通道裁剪后的网络参数作推理,其实原因很简单的,后续再写HRank论文的总结...原创 2021-04-06 16:57:30 · 3494 阅读 · 0 评论 -
RuntimeError: leaf variable has been moved into the graph interior(Pytorch报错)
有时候想在pytorch中修改训练过程中网络模型的参数。比如做网络稀疏化训练,对于某一层卷基层的参数,如果值小于一定阈值就想赋值为0,这时就需要实时修改网络模型的参数,如果直接修改会报错: RuntimeError: leaf variable has been moved into the graph interior这是因为pytorch中会有叶子张量和非叶子张量之分,这个主要是为了节省内存或显存。pytorch中网络模型中的张量默认是叶子张量,系统会默认对其进行求导,其它都为非叶...原创 2021-01-13 13:27:11 · 2998 阅读 · 1 评论 -
BiSeNet V2网络结构详解
语义分割中微观(细节)信息和宏观信息都很重要,一般浅层网络能够提取微观信息,而宏观信息提取需要很深的网络。这两个需求是相反的,很难在同一个网络上实现,于是提出了一种双边网络。Detail Branch : 提取微观特征。关注图像细节。Semantic Branch : 提取宏观特征。相当于将图像大致分块。3.2 网络细节r:重复的次数 Stem Block: 卷积层设置stride=2也可以起到跟pooling类似的下采样的作用,但是卷积层...原创 2020-12-15 16:09:53 · 4641 阅读 · 0 评论 -
深度学习代码调试经验
最近在做有关深度学习的项目,大致内容就是车位检测,目前我用到的方案是将人脸关键点检测的深度学习模型迁移到车位检测上。在这个过程中经历过各种坎坷,对于深度学习的代码调试算是知道了写皮毛经验。下面就记录下,也分享出来供后面有需要的同学借鉴。 现在网上有很多深度学习的代码,有些论文都开原源了,其实他们代码都可以拿来直接改改就用的。就是在改代码的过程中可能会遇到各种问题,导致迟迟达不到目标效果。 我在将人脸关键点检测算法迁移到车位检测的过程中就遇到了这种问题。一开始...原创 2020-10-12 15:52:36 · 1369 阅读 · 1 评论 -
欧几里得数据和非欧几里得数据
欧几里德数据:数据特点是排列整齐。对于某个节点,很容易可以找出其邻居节点,就在旁边,不偏不倚。最常见到的是图片(image)和视频(video)以及语音(voice)。非欧几里德数据:排列不整齐,比较的随意。具体体现在:对于数据中的某个点,难以定义出其邻居节点出来,或者是不同节点的邻居节点的数量是不同的。...原创 2020-06-21 19:09:46 · 4611 阅读 · 0 评论 -
非极大值抑制(NMS)的原理理解
假设有ABCDEF这么多个得分框(已经按照得分从小到大排序)。1、从最大概率矩形框F开始,分别判断A~E与F的重叠度IOU是否大于某个设定的阈值;2、假设B、D与F的重叠度超过阈值,那么就扔掉B、D;并标记第一个矩形框F,是我们保留下来的。3、从剩下的矩形框A、C、E中,选择概率最大的E,然后判断E与A、C的重叠度,重叠度大于一定的阈值,那么就扔掉;并标记E是我们保留下来的第二个矩形框。4、一直重复这个过程,找到所有曾经被保留下来的矩形框。...原创 2020-05-26 14:36:19 · 267 阅读 · 0 评论