论文学习
文章平均质量分 92
USTC_SC
这个作者很懒,什么都没留下…
展开
-
论文学习—YOLO-v4
文章目录1、背景2.1目标检测的构成2.2、Bag of freebies2.3、Bag of specials3、YOLO架构3.1、 网络架构3.2、数据增强3.3 学习率余弦退火4、小结1、背景目前而言,大部分基于CNN的目标检测系统只适用于一些推荐领域的工作:运行慢精度高的检测系统应用于城市停车位搜素;运行快,精度一般的用于汽车碰撞警告,提高检测系统实时速度与精度,不仅可以让检测系统应用于以上场景,可以用于独立进程管理和减少人工输入。所以YOLO-4的主要目的就是在生产系统中设计一个快速运行原创 2020-09-02 14:19:41 · 362 阅读 · 0 评论 -
论文学习MobileNet-v2(超详解)
文章目录1、Linear Bottlenecks2、Inverted residuals3、小结我们在之前一篇文章已经说过MobileNet 是为了将复杂的网络能够应用在移动端和资源受限情境下的轻量级神经网络解决方案。在MobileNet网络中主要提出的方案主要是深度可分离卷积和宽度缩放因子、分辨率缩放因子两个超参数。而MobileNet -v2继续致力于构建移动端的轻量级网络。MobileNet -v2依旧沿用了v1架构中的深度可分离卷积,在本文中就不加赘述,本次文章主要针对于MobileNet-v2原创 2020-08-28 19:06:30 · 2461 阅读 · 0 评论 -
论文学习-MobileNet-v1
文章目录1、背景2、深度可分离卷积3.1、宽度缩放因子3.2、分辨率缩放因子4. 、代码分析1、背景卷积神经网络在计算机视觉任务中已经无处不在,并且总体趋势是向着更深更复杂的网络发展以获得更高的精度,但是这些所造成的是模型尺寸越来越大,速度越来越慢,很难在现实世界中获得实时的运用。作者提出的MobileNet可以构建小尺寸、低延时的模型,可以实现运行在嵌入式的移动视觉任务中。论文方案主要体现在两个方面。一个是深度可分离卷积,一个是宽度缩放因子和分辨率缩放因子两个模型超参数。2、深度可分离卷积原创 2020-08-28 18:57:59 · 331 阅读 · 0 评论 -
YOLO-V2论文学习(超详细)
文章目录YOLO9000:Better, Faster, Stronger1.简单介绍2.设计方案Batch NormalizationHigh Resolution ClassifierConvolutional With Anchor Boxes维度聚类直接位置预测细粒度特征多尺度训练Darknet-193.WordTree背景方案4.小结YOLO9000:Better, Faster, Stronger1.简单介绍YOLO9000是一款先进实时的目标检测系统,可以检测出超过9000目标种类。基于原创 2020-08-14 10:00:39 · 784 阅读 · 0 评论