weixin_44600457的博客

针对医学数据集中存在的类别不均衡问题，将应用较广的几种损失函数联合在同一个框架体系，进而优并提出统一焦点损失函数

利用结构重参数化“复兴”VGG式单路极简架构，一路3x3卷到底，在速度和性能上达到SOTA水平

ResRep展示了结构重参数化的另一种用途：构造额外结构，为某种花式操作提供空间，以达成我们的某些目的，为模型赋予某些性质。

结构重参数化系列论文1：ACNet

Winograd算法：神经网络的快速卷积算法输入图像为：n x n卷积核为：f x f其中s为步长，c为通道数，p为填充数

论文笔记：Stride 2 1-D, 2-D, and 3-D Winograd for Convolutional Neural Networks一、扫盲：Winograd 算法1. 表达式：2. 举例：F(2×2,3×3)注：F(m×m,r×r)，m为Output Size，r为Filter Size（1）先写成矩阵乘法，见下图将卷积核的元素拉成一列，将输入信号每个滑动窗口中的元素拉成一行（2）图解（3）结论Winograd算法的乘法次数为16（上图4×4），而直接卷积的

文献阅读1 SqueezeNet：一种参数量只有AlexNet的1/50且模型小于0.5MB的网络一、基本信息二、笔记正文总结总结三、笔记概览二级目录三级目录一、基本信息信息内容论文名称SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <0.5MB model size论文链接https://www.researchgate.net/publication/301878495代码链接