CNN
史蒂芬方
这个作者很懒,什么都没留下…
展开
-
Deformable ConvNet DCN 可变形卷积的理解
先声明这篇只是快速的复习用, 用词比较自我加随性,多见谅代码解说的地方很多参考了这个连结首先DCN有两个版本, 大家都知道的v1就是单纯的加了offset偏移, 另一个v2就是从v1的基础上再加上了modulation, 也就是对学习对所有位置的权重DCN v1 作用v1: 多用了一个卷积学习出偏移offset的值, 相较于原先标准的卷积在感受野上有多更多分布的采样点, 原来标准的卷积不...原创 2020-04-06 20:27:35 · 1441 阅读 · 1 评论 -
卷积参数量计算(标准卷积,分组卷积,深度可分类)
卷积参数量计算 总整理这边其实算写给我自己复习用的, 就没有用博客的口吻了 简单为主预备知识FLOPs: s小写,指浮点运算数,理解为计算量。可以用来衡量算法/模型的复杂度。(模型) 在论文中常用GFLOPs(1 GFLOPs = 10910^9109 FLOPs)相当于十亿次参考轻量级神经网络“巡礼”(一)—— ShuffleNetV2轻量化网络ShuffleNet MobileN...原创 2020-03-29 13:38:11 · 8133 阅读 · 0 评论 -
格拉姆矩阵 Gram Matrix 简单理解
以下转自 https://www.zhihu.com/question/49805962为了简单说明Gram Matrix需要首先说明feature map:为了学习对象的feature。所以假设我们加到100种滤波器,每种滤波器的参数不一样,表示它提出输入图像的不同特征,如:边缘、条纹等。这样每种滤波器去卷积图像就得到对图像的不同特征,我们称之为Feature Map。所以100种卷积核就有1...转载 2020-03-08 19:53:14 · 4229 阅读 · 0 评论 -
Pytorch 1.01 Grad-CAM实现CNN可视化 与 原理 热力图
CNN卷积一直都是一个神秘的过程过去一直被以黑盒来形容能够窥探CNN是一件很有趣的事情, 特别是还能够帮助我们在进行一些任务的时候了解模型判别目标物的过程是不是出了什么问题而Grad-CAM就是一个很好的可视化选择因为能够生成高分辨率的图并叠加在原图上, 让我们在研究一些模型判别错误的时候, 有个更直观的了解那么具体是如何生成Grad CAM的呢?老规矩先上图, 说明流程一定要配图...原创 2019-08-07 00:02:12 · 11368 阅读 · 15 评论