图像分类
文章平均质量分 87
uncle_ll
这个作者很懒,什么都没留下…
展开
-
PP-LCNet:一种轻量级CPU卷积神经网络
PP-LCNet,一种轻量级CPU卷积神经网络原创 2024-04-11 19:42:53 · 1935 阅读 · 0 评论 -
人脸图像数据增强
人脸识别相关的数据增强方法原创 2023-09-19 22:45:00 · 1674 阅读 · 0 评论 -
PaddleClas初体验
该包是由百度PaddlePaddle组织下开源的项目,主要用于图像分类,图像搜索等相关任务。原创 2023-05-31 18:21:52 · 1357 阅读 · 0 评论 -
2015-Spatial Transformer layer
CNN为啥对图像变形能有好的稳定性原创 2023-02-12 22:10:39 · 90 阅读 · 0 评论 -
经典论文-MobileNetV3论文及实践
我们展示了基于互补搜索技术和新颖架构设计相结合的下一代 MobileNets。MobileNetV3通过结合硬件感知网络架构搜索(NAS)和 NetAdapt算法对移动设计如何协同工作,利用互补的方法来提高移动端CPU推理整体水平。MobileNetV3-Large 和 MobileNetV3-Small,分别针对高资源和低资源用例。然后将这些模型应用于目标检测和语义分割。针对语义分割(或任何密集像素预测)任务,提出了一种新的。原创 2022-11-08 23:30:00 · 2690 阅读 · 0 评论 -
经典论文-MobileNetV2论文及实践
在本文中,描述了一种新的移动端架构,MobileNetV2,它提高了移动端模型在多个任务和基准测试以及跨不同模型尺寸范围内的最佳性能。此外还描述了一个称为SSDLite的新框架,将这些移动模型应用于对象检测的有效方法。此外,还演示了如何通过DeepLabv3的简化形式,称之为移动DeepLabv3来构建移动语义分割模型。MobileNetV2是基于倒置残差(inverted residual )结构,其中快捷连接(shortcut connections)在窄的瓶颈(1x1)层之间。原创 2022-10-26 23:30:00 · 2957 阅读 · 0 评论 -
经典论文-SeNet论文及实践
卷积神经网络建立在卷积运算的基础上,通过融合局部感受野内的空间信息和通道信息来提取信息特征。为了提高网络的表示能力,许多现有的工作已经显示出增强空间编码的好处。在这项工作中,我们专注于通道,并提出了一种新颖的架构单元,我们称之为**“Squeeze-and-Excitation”(SE)模块**,通过显式地建模通道之间的相互依赖关系,自适应地重新校准通道式的特征响应。通过将这些块堆叠在一起,证明了可以构建SENet架构,在具有挑战性的数据集中可以进行泛化地非常好。关键的是,发现SE块以微小的计算成本为现有的原创 2022-09-16 23:30:00 · 5147 阅读 · 0 评论 -
经典论文-MobileNet V1论文及实践
我们提出了一类有效的模型,称为MobileNets, 专注于移动端和嵌入式视觉应用程序。MobileNets基于流线型架构,使用深度可分离卷积(depth-wise separable convolutions)来构建轻量级的深度神经网络。引入了两个简单的全局超参数,可以有效地在延迟和准确性之间进行权衡。这些超参数允许模型构建器根据问题的约束条件为其应用程序选择合适大小的模型。另外,我们做了大量权衡资源和准确性的实验,并显示了与其他流行的ImageNet分类模型相比也具有强大的性能。...原创 2022-08-10 23:30:00 · 1385 阅读 · 0 评论 -
经典论文-SqueezeNet论文及实践
深层卷积神经网络(CNNs)最近的研究主要集中在提高精度。对于给定的精度级别,通常可以确定多个CNN体系结构,以达到该精度级别。更小的CNNs在分布式训练过程中跨服务器进行更少的通信;更小的CNNs需要更少的带宽,将一个新的模型从云端导出到自动汽车;较小的CNNs提供了在FPGA和其他内存有限的硬件上部署的可行性;最近,对卷积神经网络(CNNs)的研究主要集中在提高计算机视觉数据集上的精确度。。更高效的分布式训练。减少将新模型导出到客户端时的开销。远程更新。。。。...原创 2022-07-29 23:00:00 · 1500 阅读 · 2 评论 -
经典论文-卷积神经网络可视化与理解及实践
大型卷积网络模型最近在ImageNet基准测试上表现出了令人印象深刻的分类性能(Krizhevesty等人,2012)。然而,目前还不清楚为什么它们表现得如此好,也不清楚如何改进。在本文中,讨论了这两个问题。本文介绍了一种新的可视化技术,可以深入了解中间特征层的功能和分类器的操作,作为一个诊断工具使用,这些可视化允许我们找到在ImageNet分类基准上优于Krizhevsky等人的模型架构。此外还进行了一项消融实验研究,以发现来自不同模型层的性能贡献。......原创 2022-07-14 23:15:00 · 1996 阅读 · 1 评论 -
经典网络-InceptionV1论文及实践
Going deeper with convolutions作者:Christian Szegedy, Wei Liu, Yangqing Jia, etc单位:谷歌文章地址:https://arxiv.org/abs/1409.4842项目地址:https://github.com/conan7882/GoogLeNet-Inception提出了一种代号为“Inception”的深度卷积神经网络架构,在2014年ImageNet大规模视觉识别挑战(ILSVRC14)中分类和检测任务中的达到了最好的sota原创 2022-06-03 19:15:00 · 1121 阅读 · 0 评论 -
经典网络-ResNet论文及实践
Deep Residual Learning for Image Recognition深度残差网络的图像识别作者:Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun单位:微软研究院文章地址:https://arxiv.org/abs/1512.03385项目地址:https://github.com/KaimingHe/deep-residual-networks摘要更深的神经网络更难训练。本文提出了一种残差学习框架来减轻网原创 2022-04-19 23:00:00 · 8115 阅读 · 1 评论 -
经典网络-VGG论文及实践
VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION用于大规模图像识别的非常深的卷积网络作者:Karen Simonyan,Andrew Zisserman单位:牛津大学 工程科学系视觉几何学组文章地址:https://www.robots.ox.ac.uk/~vgg/publications/2015/Simonyan15/项目地址:https://www.robots.ox.ac.uk/~vgg/r原创 2022-03-30 23:30:00 · 1067 阅读 · 0 评论 -
经典网络-AlexNet论文及实践
2012-AlexNet论文地址: https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf项目地址:https://github.com/deep-diver/AlexNet摘要我们训练了一个大型的深度卷积神经网络,将ImageNetLSVRC-2010比赛中的120万张高分辨率图像分类为1000个不同的类别。在测试数据上,获得了top-1和top-原创 2022-03-14 00:00:00 · 2138 阅读 · 0 评论 -
数据增强增广方法及实现
数据增强(增广)在进行图像分类或者检测时候,如果数据量比较少的情况下,可以对已有的图像数据进行一些处理来扩充数据集大小。分类对于图像分类而言,可以有的操作有翻转,随机裁剪,随机亮度变化,随机对比度变化,随机旋转等,而标签保持不变;在tensorflow中有一些封装好的处理函数,比如在cifar10_input.py中就有使用到如下几个:tf.image.random_crop: 对图像随机裁剪tf.image.random_flip_left_right:随机左右翻转tf.image_ran原创 2021-04-11 10:50:30 · 1472 阅读 · 0 评论 -
图像分类每个标签按比例划分数据
问题在做图像分类时候,会收集一批相应的数据,这里将其称为总数据集total-data,按照一般的做法,会将总数据集划分为训练集(train-data)、验证集(valid-data)以及测试集(test-data)。这里为了方便,将总的数据集划分为训练集和验证集。有时候使用随机分配的算法会导致每个标签下样本的个数分布不是很均匀,有的标签下样本个数很多,有的标签下样本个数很少,这就导致了一种数据不均衡问题,使得训练的模型偏向于数据样本多的标签。那么我们能不能按照相应的比例,也将每一个标签下的数据按照对应原创 2020-11-23 18:42:03 · 2689 阅读 · 1 评论