CV论文研读笔记

最新推荐文章于 2024-08-22 22:51:29 发布

wangzh297

最新推荐文章于 2024-08-22 22:51:29 发布

阅读量588

点赞数

分类专栏：人工智能算法文章标签：卷积神经网络

本文链接：https://blog.csdn.net/wangzh297/article/details/105936317

版权

本文深入探讨了卷积神经网络（CNN）的基础知识，包括ReLU激活函数、Dropout、最大池化和LRN层的作用。此外，文章详细介绍了目标检测中的关键组件，如ROI Pooling、ROI Align、Deformable Convolution和Anchor Boxes。通过对Region Proposal by Guided Anchoring、Feature Selective Anchor-Free Module等论文的研读，揭示了如何改善目标检测的性能。同时，论文还讨论了语义分割技术，包括FCN、DeconvNet和RefineNet等网络结构，以及它们在医学图像分割等领域的应用。

摘要由CSDN通过智能技术生成

文章目录

基础

ReLU作为CNN的激活函数，其效果在较深的网络超过了Sigmoid，成功解决了Sigmoid在网络较深时的梯度弥散问题。
训练时使用Dropout随机忽略一部分神经元，以避免模型过拟合。
在CNN中使用最大池化。平均池化具有模糊化效果。
在CNN中让池化重叠。让步长比池化核的尺寸小，这样池化层的输出之间会有重叠和覆盖，提升了特征的丰富性。
增加LRN层，对局部神经元的活动创建竞争机制，使得其中响应比较大的值变得相对更大，并抑制其他反馈较小的神经元，增强了模型的泛化能力。（后被认为基本没用）
对于给定的感受野（与输出有关的输入图片的局部大小），采用堆积的小卷积核是优于采用大的卷积核，因为多层非线性层可以增加网络深度来保证学习更复杂的模式，而且代价还比较小（参数更少）。在很多网络中，都使用了3个3x3卷积核来代替7x7卷积核，使用了2个3x3卷积核来代替5x5卷积核。
CNN由于固定的几何结构，导致其对几何形变的建模受到限制。为了加强CNN对形变的建模能力，文献”deformable convolution network的”提出了deformable convolution和 deformable RoI pooling两种网络结构单元。deformable convolution 和 deformable RoI pooling都是基于通过学习一个额外的偏移（offset），使卷积核对输入feature map的采样的产生偏移，集中于感兴趣的目标区域。可以将deformable convolution ， deformable RoI pooling加入现有的CNN中，并可进行端到端训练。
ROIs Pooling顾名思义，是Pooling层的一种，而且是针对RoIs的Pooling，他的特点是输入特征图尺寸不固定，但是输出特征图尺寸固定。因为可能输入的feature map需要先投影出region proposal（物体检测中），而region proposal的大小是不固定的，但是我们又需要对其进行分类和回归，所以就需要使用ROIs Pooling，先将region proposal划分为尽可能等大的几个section（section数目与输出特征图尺寸维度相关），然后对每个section进行max pooling，获得输出大小固定的特征图。
ROIs Pooling操作中两次量化（边框长宽除以步