SqueezeNet运用到Faster RCNN进行目标检测+OHEM

最新推荐文章于 2024-05-14 09:50:17 发布
最新推荐文章于 2024-05-14 09:50:17 发布
阅读量7.9k 收藏 9
点赞数 2
分类专栏： Deep Learning Obeject Detection 文章标签： SqueezeNet 深度学习 OHEM FasterRCNN RCNN
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/u011956147/article/details/53714616
版权

目录

一、SqueezeNet介绍

论文提交ICLR 2017
论文地址：https://arxiv.org/abs/1602.07360
代码地址：https://github.com/DeepScale/SqueezeNet
注：代码只放出了prototxt文件和训练好的caffemodel，因为整个网络都是基于caffe的，有这两样东西就足够了。
在这里只是简要的介绍文章的内容，具体细节的东西可以自行翻阅论文。

MOTIVATION

在相同的精度下，模型参数更少有3个好处：

  • More efficient distributed training
  • Less overhead when exporting new models to clients
  • Feasible FPGA and embedded deployment

即 高效的分布式训练、更容易替换模型、更方便FPGA和嵌入式部署。
鉴于此，提出3种策略：

  • Replace 3x3 filters with 1x1 filters.
  • Decrease the number of input channels to 3x3 filters.
  • Downsample late in the network so that convolution layers have large activation maps.

即

  1. 使用1x1的核替换3x3的核，因为1x1核参数是3x3的1/9；
  2. 输入通道减少3x3核的数量，因为参数的数量由输入通道数、卷积核数、卷积核的大小决定。因此，减少1x1的核数量还不够，还需要减少输入通道数量，在文中，作者使用squeeze layer来达到这一目的；
  3. 后移池化层，得到更大的feature map。作者认为在网络的前段使用大的步长进行池化，后面的feature map将会减小，而大的feature map会有较高的准确率。

FIRE MODULE

由上面的思路，作者提出了Fire Module，结构如下：
这里写图片描述

ARCHITECTURE

这里写图片描述

关于SqueezeNet的构建细节在文中也有详细的描述

  • 为了3x3的核输出的feature map和1x1的大小相同，padding取1（主要是为了concat）
  • squeezelayer和expandlayer后面跟ReLU激活函数
  • Dropout比例为0.5，跟在fire9后面
  • 取消全连接，参考NIN结构
  • 训练过程采用多项式学习率（我用来做检测时改为了step策略）
  • 由于caffe不支持同一个卷积层既有1x1，又有3x3，所以需要concat，将两个分辨率的图在channel维度concat。这在数学上是等价的

EVALUATION

这里写图片描述

二、SqueezeNet与Faster RCNN结合

这里，我首先尝试的是使用alt-opt，但是很遗憾的是，出来的结果很糟糕，基本不能用，后来改为使用end2end，在最开始的时候，采用的就是faster rcnn官方提供的zfnet end2end训练的solvers，又很不幸的是，在网络运行大概400步后出现：

loss = NAN

遇到这个问题，把学习率改为以前的1/10，解决。
直接上prototxt文件，前面都是一样的，只需要改动zfnet中的conv1-con5部分，外加把fc6-fc7改成squeeze中的卷积链接。
prototxt太长，给出每个部分的前面和后面部分：

name: "Alex_Squeeze_v1.1"
layer {
  name: 'input-data'
  type: 'Python'
  top: 'data'
  top: 'im_info'
  top: 'gt_boxes'
  python_param {
    module: 'roi_data_layer.layer'
    layer: 'RoIDataLayer'
    param_str: "'num_classes': 4"
  }
}

layer {
  name: "conv1"
  type: "Convolution"
  bottom: "data"
  top: "conv1"
  convolution_param {
    num_output: 64
    kernel_size: 3
    stride: 2
  }
}
.
.
.
layer {
  name: "drop9"
  type: "Dropout"
  bottom: "fire9/concat"
  top: "fire9/concat"
  dropout_param {
    dropout_ratio: 0.5
  }
}

#========= RPN ============

layer {
  name: "rpn_conv/3x3"
  type: "Convolution"
  bottom: "fire9/concat"
  top: "rpn/output"
  param { lr_mult: 1.0 }
  param { lr_mult: 2.0 }
  convolution_param {
    num_output: 256
    kernel_size: 3 pad: 1 stride: 1
    weight_filler { type: "gaussian" std: 0.01 }
    bias_filler { type: "constant" value: 0 }
  }
}
.
.
.
layer {
  name: "drop9"
  type: "Dropout"
  bottom: "fire9/concat"
  top: "fire9/concat"
  dropout_param {
    dropout_ratio: 0.5
  }
}

#========= RPN ============

layer {
  name: "rpn_conv/3x3"
  type: "Convolution"
  bottom: "fire9/concat"
  top: "rpn/output"
  param { lr_mult: 1.0 }
  param { lr_mult: 2.0 }
  convolution_param {
    num_output: 256
    kernel_size: 3 pad: 1 stride: 1
    weight_filler { type: "gaussian" std: 0.01 }
    bias_filler { type: "constant" value: 0 }
  }
}
.
.
.
layer {
  name: 'roi-data'
  type: 'Python'
  bottom: 'rpn_rois'
  bottom: 'gt_boxes'
  top: 'rois'
  top: 'labels'
  top: 'bbox_targets'
  top: 'bbox_inside_weights'
  top: 'bbox_outside_weights'
  python_param {
    module: 'rpn.proposal_target_layer'
    layer: 'ProposalTargetLayer'
    param_str: "'num_classes': 4"
  }
}

#===================== RCNN =============

layer {
  name: "roi_pool5"
  type: "ROIPooling"
  bottom: "fire9/concat"
  bottom: "rois"
  top: "roi_pool5"
  roi_pooling_param {
    pooled_w: 7
    pooled_h: 7
    spatial_scale: 0.0625 # 1/16
  }
}

layer {
  name: "conv1_last"
  type: "Convolution"
  bottom: "roi_pool5"
  top: "conv1_last"
  param { lr_mult: 1.0 }
  param { lr_mult: 1.0 }
  convolution_param {
    num_output: 1000
    kernel_size: 1
    weight_filler {
      type: "gaussian"
      mean: 0.0
      std: 0.01
    }
  }
}
layer {
  name: "relu/conv1_last"
  type: "ReLU"
  bottom: "conv1_last"
  top: "relu/conv1_last"
}


layer {
  name: "cls_score"
  type: "InnerProduct"
  bottom: "relu/conv1_last"
  top: "cls_score"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {
    num_output: 5
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "bbox_pred"
  type: "InnerProduct"
  bottom: "relu/conv1_last"
  top: "bbox_pred"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {
    num_output: 20
    weight_filler {
      type: "gaussian"
      std: 0.001
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "loss_cls"
  type: "SoftmaxWithLoss"
  bottom: "cls_score"
  bottom: "labels"
  propagate_down: 1
  propagate_down: 0
  top: "loss_cls"
  loss_weight: 1
}
layer {
  name: "loss_bbox"
  type: "SmoothL1Loss"
  bottom: "bbox_pred"
  bottom: "bbox_targets"
  bottom: "bbox_inside_weights"
  bottom: "bbox_outside_weights"
  top: "loss_bbox"
  loss_weight: 1
}

后面一部分的结构如图：
这里写图片描述
注意红圈部分，以前的fc换成了squ中的卷积层，这样网络参数大大减少，因为我改动了rpn部分选proposal的比例和数量，共采用改了70种选择，所以最后训练出来的模型为17M，比初始化4.8M大很多，不过也已经很小了。

三、SqueezeNet+Faster RCNN+OHEM

OHEM无非就是多了一个readonly部分，不过加上之后效果会好很多，和上面的方式一致，放出一部分prototxt，其他的课自行补上。从rpn那里开始，前面部分和上面给出的完全一样

#====== RoI Proposal ====================
layer {
  name: "rpn_cls_prob"
  type: "Softmax"
  bottom: "rpn_cls_score_reshape"
  top: "rpn_cls_prob"
}
layer {
  name: 'rpn_cls_prob_reshape'
  type: 'Reshape'
  bottom: 'rpn_cls_prob'
  top: 'rpn_cls_prob_reshape'
  reshape_param { shape { dim: 0 dim: 140 dim: -1 dim: 0 } }
}
layer {
  name: 'proposal'
  type: 'Python'
  bottom: 'rpn_cls_prob_reshape'
  bottom: 'rpn_bbox_pred'
  bottom: 'im_info'
  top: 'rpn_rois'
  python_param {
    module: 'rpn.proposal_layer'
    layer: 'ProposalLayer'
    param_str: "'feat_stride': 16"
  }
}
layer {
  name: 'roi-data'
  type: 'Python'
  bottom: 'rpn_rois'
  bottom: 'gt_boxes'
  top: 'rois'
  top: 'labels'
  top: 'bbox_targets'
  top: 'bbox_inside_weights'
  top: 'bbox_outside_weights'
  python_param {
    module: 'rpn.proposal_target_layer'
    layer: 'ProposalTargetLayer'
    param_str: "'num_classes': 4"
  }
}
##########################
## Readonly RoI Network ##
######### Start ##########
layer {
  name: "roi_pool5_readonly"
  type: "ROIPooling"
  bottom: "fire9/concat"
  bottom: "rois"
  top: "pool5_readonly"
  propagate_down: false
  propagate_down: false
  roi_pooling_param {
    pooled_w: 6
    pooled_h: 6
    spatial_scale: 0.0625 # 1/16
  }
}
layer {
  name: "conv1_last_readonly"
  type: "Convolution"
  bottom: "pool5_readonly"
  top: "conv1_last_readonly"
  propagate_down: false  
  param {
    name: "conv1_last_w"
  }
  param {
    name: "conv1_last_b"
  }
  convolution_param {
    num_output: 1000
    kernel_size: 1
    weight_filler {
      type: "gaussian"
      mean: 0.0
      std: 0.01
    }
  }
}
layer {
  name: "relu/conv1_last_readonly"
  type: "ReLU"
  bottom: "conv1_last_readonly"
  top: "relu/conv1_last_readonly"
  propagate_down: false
}
layer {
  name: "cls_score_readonly"
  type: "InnerProduct"
  bottom: "relu/conv1_last_readonly"
  top: "cls_score_readonly"
  propagate_down: false
  param {
    name: "cls_score_w"
  }
  param {
    name: "cls_score_b"
  }
  inner_product_param {
    num_output: 4
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "bbox_pred_readonly"
  type: "InnerProduct"
  bottom: "relu/conv1_last_readonly"
  top: "bbox_pred_readonly"
  propagate_down: false
  param {
    name: "bbox_pred_w"
  }
  param {
    name: "bbox_pred_b"
  }
  inner_product_param {
    num_output: 16
    weight_filler {
      type: "gaussian"
      std: 0.001
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "cls_prob_readonly"
  type: "Softmax"
  bottom: "cls_score_readonly"
  top: "cls_prob_readonly"
  propagate_down: false
}
layer {
  name: "hard_roi_mining"
  type: "Python"
  bottom: "cls_prob_readonly"
  bottom: "bbox_pred_readonly"
  bottom: "rois"
  bottom: "labels"
  bottom: "bbox_targets"
  bottom: "bbox_inside_weights"
  bottom: "bbox_outside_weights"
  top: "rois_hard"
  top: "labels_hard"
  top: "bbox_targets_hard"
  top: "bbox_inside_weights_hard"
  top: "bbox_outside_weights_hard"
  propagate_down: false
  propagate_down: false
  propagate_down: false
  propagate_down: false
  propagate_down: false
  propagate_down: false
  propagate_down: false
  python_param {
    module: "roi_data_layer.layer"
    layer: "OHEMDataLayer"
    param_str: "'num_classes': 4"
  }
}
########## End ###########
## Readonly RoI Network ##
##########################
#===================== RCNN =============
layer {
  name: "roi_pool5"
  type: "ROIPooling"
  bottom: "fire9/concat"
  bottom: "rois_hard"
  top: "roi_pool5"
  propagate_down: true
  propagate_down: false
  roi_pooling_param {
    pooled_w: 7
    pooled_h: 7
    spatial_scale: 0.0625 # 1/16
  }
}
layer {
  name: "conv1_last"
  type: "Convolution"
  bottom: "roi_pool5"
  top: "conv1_last"
  param { 
      lr_mult: 1.0 
      name: "conv1_last_w"
      }
  param { 
      lr_mult: 1.0 
      name: "conv1_last_b"
      }
  convolution_param {
    num_output: 1000
    kernel_size: 1
    weight_filler {
      type: "gaussian"
      mean: 0.0
      std: 0.01
    }
  }
}
layer {
  name: "relu/conv1_last"
  type: "ReLU"
  bottom: "conv1_last"
  top: "relu/conv1_last"
}
layer {
  name: "cls_score"
  type: "InnerProduct"
  bottom: "relu/conv1_last"
  top: "cls_score"
  param {
    lr_mult: 1
    name: "cls_score_w"
  }
  param {
    lr_mult: 2
    name: "cls_score_b"
  }
  inner_product_param {
    num_output: 4
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "bbox_pred"
  type: "InnerProduct"
  bottom: "relu/conv1_last"
  top: "bbox_pred"
  param {
    lr_mult: 1
    name: "bbox_pred_w"
  }
  param {
    lr_mult: 2
    name: "bbox_pred_b"
  }
  inner_product_param {
    num_output: 16
    weight_filler {
      type: "gaussian"
      std: 0.001
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "loss_cls"
  type: "SoftmaxWithLoss"
  bottom: "cls_score"
  bottom: "labels_hard"
  propagate_down: true
  propagate_down: false
  top: "loss_cls"
  loss_weight: 1
}
layer {
  name: "loss_bbox"
  type: "SmoothL1Loss"
  bottom: "bbox_pred"
  bottom: "bbox_targets_hard"
  bottom: "bbox_inside_weights_hard"
  bottom: "bbox_outside_weights_hard"
  top: "loss_bbox"
  loss_weight: 1
  propagate_down: false
  propagate_down: false
  propagate_down: false
  propagate_down: false
}

结构图如下：
这里写图片描述
比前面训练的多一个readonly部分，具体可参考论文：
Training Region-based Object Detectors with Online Hard Example Mining
https://arxiv.org/abs/1604.03540
这里写图片描述
至此，SqueezeNet+Faster RCNN 框架便介绍完了，运行速度在GPU下大概是ZF的5倍，CPU下大概为2。5倍。

原文链接：

http://blog.csdn.net/u011956147/article/details/53714616

FelixFuu
关注
  • 2
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 20
    评论
专栏目录
squeezenet代码_SqueezeNet(Pytroch实现)
weixin_33268464的博客
02-11 387
论文在此: SQUEEZENET: ALEXNET-LEVEL ACCURACY WIT 50X FEWER PARAMETERS AND <0.5MB MODEL SIZE网络结构图:Pytorch代码实现:import torchimport torch.nn as nnimport torch.nn.init as initclass Fire(nn.Module):def __ini...
【卷积网络模型系列】轻量级卷积网络SqueezeNet的介绍与实现（Pytorch,Tensorflow）
u010057965的专栏
11-17 1769
一、背景介绍 在2012年AlexNet问世以为，卷积神经网络在图像分类识别，目标检测，图像分割等方面得到广泛应用，后续大牛们也提出了很多更优越的模型，比 如VGG, GoogLeNet系列，ResNet, DenseNet等。 伴随着精度的提升，对应模型的深度也随着增加，从AlexNet的7层，到16 层 VGG，再到GoogLeNet 的 22 层，再到 152 层 Re...
SqueezeNet(Pytroch实现)
Mrzhang
12-16 747
github博客传送门 博客园传送门 论文在此: SQUEEZENET: ALEXNET-LEVEL ACCURACY WIT 50X FEWER PARAMETERS AND &lt;0.5MB MODEL SIZE 论文下载: https://arxiv.org/pdf/1602.07360.pdf 网络结构图: Pytorch代码实现: import torch import torc...
探秘高效能移动视觉应用：MobileNet-Caffe 深度解析与实践指南
gitblog_00082的博客
05-14 245
探秘高效能移动视觉应用：MobileNet-Caffe 深度解析与实践指南 项目地址:https://gitcode.com/shicai/MobileNet-Caffe 在深度学习的世界中，MobileNet 系列模型以其轻量级和高效的特性赢得了广泛赞誉。MobileNet-Caffe 是一个实现了 Google 移动网络（v1 和 v2）的优秀框架，它为开发者提供了在 Caffe 平台上进行快...
pytorch之squeezenet的实现
朴素.无恙的博客
01-04 2808
pytorch之squeezenet的实现 squeezenet Fire Module是SqueezeNet中的基础构建模块 sqeezenet的设计目标：不是为了得到最佳的CNN识别精度，而是希望在简化网络复杂度的同时，保证网络模型的精度。 （1）替换3x3的卷积kernel为1x1的卷积kernel 大部分设计的cnn网络基本上卷积大小都选择在3x3，为了简化网络，在有效性，以及设计简洁性...
YOLO的squeezeNet模型
03-16
YOLO目标检测框架，结合请谅解的网络模型SqueezeNEt,根据squeezeNet的论文思想，设计了用于目标检测的轻量级神经网络
faster-rcnn+fpn+resnet+目标检测
04-07
标题中的“faster-rcnn+fpn+resnet+目标检测”是一个深度学习领域的概念组合，涉及到四个关键部分：Faster R-CNN、FPN（Feature Pyramid Network）、ResNet以及目标检测。让我们逐一深入探讨这些知识点。 1. **目标...
FasterRCNN_SpringEdition:FasterRCNN Windows C ++库（包括训练和检测）所有依赖项都包括在内
04-27
您只需要1个头文件，即可通过FasterRCNN进行检测。 最新消息 2018-03-15。 ：修复python进程泄漏。 减小exe文件大小。 2017-11-14 ：删除无用的信息（例如DeviceSelector） 2017年10月14日。 ：支持unicode（韩文...
pytorch实现FasterRCNN目标检测入门案例
最新发布
05-31
该项目包含一套完整的代码和数据集，用于训练和验证基于 PyTorch 实现的 Faster R-CNN 模型，以检测小麦中的目标（例如小麦穗）。包括数据预处理、模型训练、验证和结果可视化的完整流程。 该数据集专为小麦头检测...
keras 实现faster rcnn目标检测
09-06
**Keras实现Faster R-CNN目标检测** Faster R-CNN（ Faster Region-based Convolutional Neural Network）是一种高效的目标检测算法，它在计算机视觉领域广泛应用于物体识别和定位。Keras是一个高度模块化、用户...
基于megengine的FasterRCNN的目标检测模型，主干网络ResNet34
10-17
**基于MegEngine的Faster R-CNN目标检测模型与ResNet34主干网络详解** 在计算机视觉领域，目标检测是一项关键任务，它涉及到识别图像中的物体并确定它们的位置。Faster R-CNN（快速区域卷积神经网络）是目标检测...
squeezenet的matlab代码-Deep-Learning-Project:深度学习项目
06-17
挤压网的matlab代码时尚-MNIST 目录 Fashion-MNIST是文章图像的数据集——由 60,000 个示例的训练集和 10,000 个示例的测试集组成。 每个示例都是一个 28x28 灰度图像，与来自 10 个类别的标签相关联。 我们打算将Fashion-MNIST作为原始机器学习算法基准测试的直接替代品。 它共享相同的图像大小和训练和测试分割的结构。 这是数据外观的示例（每个类采用三行）： 为什么我们制作 Fashion-MNIST 原文包含大量手写数字。 AI/ML/数据科学社区的成员喜欢这个数据集，并将其用作验证他们算法的基准。 事实上，MNIST 通常是研究人员尝试的第一个数据集。 “如果它在 MNIST 上不起作用，它就根本不起作用” ，他们说。 “好吧，如果它在 MNIST 上确实有效，它可能仍然在其他人身上失败。” 致认真的机器学习研究人员 说真的，我们正在谈论替换 MNIST。 以下是一些很好的理由： MNIST 太容易了。 卷积网络在 MNIST 上可以达到 99.7%。 经典机器学习算法也可以轻松达到 97%。 签出，并阅读“。” MNIST 被过度使
SqueezeNet模型文件及使用
03-15
SqueezeNet是一个小型化的网络模型结构，在保证不降低检测精度的同时，将原始AlexNet模型压缩至原来的1/500（模型文件< 0.5MB,原始AlexNet模型约为200MB）。
从零开始，Squeezenet在Pytorch+Opencv上的实现（一）：数据集的制作
CSDN_Doubao的博客
07-18 691
  项目的初衷：虽然做二分类用SVM就基本能够满足功能需求，但因为Squeezenet网络模型足够小，所以想试一下在嵌入式运行速率和精确度是否能够比拟SVM从而尝试替代   功能实现：制作自定义的车位数据集在Pytorch上进行训练，以onnx文件形式在opencv上进行调用实现车位场景和非车位场景的二分类 1.数据集的制作   首先看一下我拿到的数据集样子以及标签方式： 数据标签：有效车位场景为1，无效车位场景为-1   从上图可以看出，一开始拿到的数据集图片是大小不一的，图片名称虽然是从0开始排起，
squeezenet代码_轻量级CNN模型之squeezenet
weixin_34377744的博客
01-16 360
SqueezeNet和别的轻量级模型一样,模型的设计目标就是在保证精度的情况下尽量减少模型参数.核心是论文提出的一种叫"fire module"的卷积方式.设计策略主要用1x1卷积核,而不是3x3.减少3x3卷积核作用的channel.推迟下采样的时间.以获取更大尺寸的feature map.这一点是处于精度的考虑.毕竟feature map的resolution越大,信息越丰富.下采样主要通过p...
论文阅读笔记(一)——SqueezeNet
InkBamboo920的博客
01-25 713
——论文阅读笔记(一)——squeezenet 前言 寒假希望自己能够有所提升吧，不要再当一个简单地代码搬运工，所以希望自己能够坚持下来每天阅读一些文章，然后进行总结，冲冲冲 1 论文简介 1.1关于文章 论文全称: SQUEEZENET: ALEXNET-LEVEL ACCURACY WITH 50X FEWER PARAMETERS AND <0.5MB MODEL SIZE 这里提供几个链接，大家可以自己下载下来学习 百度网盘 链接：论文原文 提取码：huzs 官网链接 论文链接：论文链接 代
基于Pyrorch深度学习(SqueezeNet代码实现)
m0_61571149的博客
05-24 1062
文章目录 前言 一、SqueezeNet的特点 二、SqueezeNet的结构 三、代码实现及验证 前言 简述SqueezeNet的特点、结构，并基于Pytorch对SqueezeNet网络进行代码的实现。（文章、源代码自取） 一、SqueezeNet的特点 1.分布式训练期间需要较少的跨服务器通信。 2.需要较少的带宽从云端向自动暂存器导出新的模型。 3.适合部署在FPGAs等内存有限的硬件上。 二、SqueezeNet的结构 1.用1x1过滤器替换3x3过滤器。 2.将...
Squeezenet官方源代码解析
CSDN_Doubao的博客
07-13 784
网络设计思路 使用以下三个策略来减少SqueezeNet设计参数 （1）使用1∗1卷积代替3∗3 卷积：参数减少为原来的1/9 （2）减少输入通道数量：这一部分使用squeeze layers来实现 （3）将欠采样操作延后，可以给卷积层提供更大的激活图：更大的激活图保留了更多的信息，可以提供更高的分类准确率 其中，（1）和（2）可以显著减少参数数量，（3）可以在参数数量受限的情况下提高准确率。 import torch import torch.nn as nn import torch.nn.init a
SqueezeNext 代码和解析
weixin_44543648的博客
04-25 451
SqueezeNext为Squeezenet的改进版本。 Block: 以Fire模块为基础进行改进。 加入shortcut 连接。 加入bottleneck module 和 Low Rank Filter 改进如下: 将 expand 层的3x3 卷积替换为1x3 + 3x1 卷积，同时移除了 expand 层的拼接 1x1 卷积、添加了1x1 卷积来恢复通道数。 通过两阶段的 squeeze 得到更激进的通道缩减，每个阶段的squeeze 都将通道数减半。 网络结构： 代码： impor
matlab基于faster rcnn进行目标检测
01-11
Matlab基于Faster RCNN进行目标检测是一种先进的图像识别技术。Faster RCNN是一种深度学习模型，可以在图像中准确地检测出目标物体的位置和类别。Matlab是一种强大的科学计算软件，它提供了丰富的工具和库，可以帮助...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 20
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