![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
论文阅读笔记
文章平均质量分 95
weixin_47365232
这个作者很懒,什么都没留下…
展开
-
EfficientNet-V1论文阅读笔记
(1)本文系统地研究了模型的缩放,并且研究确定通过仔细平衡网络深度、宽度和分辨率可以带来更好的性能。(2)本文提出了一种新的缩放方法,使用一个简单而高效的复合系数统一缩放深度/宽度/分辨率的所有维度。(3)本文使用神经结构搜索来设计一个新的基线网络,并将其扩大到获得一个模型系列,称为EfficientNets。原创 2024-06-24 14:32:00 · 765 阅读 · 0 评论 -
RepVGG论文阅读笔记
本文提出了一种简单但功能强大的卷积神经网络架构,它具有类似 VGG 的推理时间主体,仅由 3x3 卷积和 ReLU 的堆栈组成,而训练时间模型具有多分支拓扑。这种训练时间和推理时间架构的解耦是通过结构重新参数化技术实现的,因此该模型被命名为 RepVGG。原创 2024-06-23 17:44:02 · 724 阅读 · 0 评论 -
ShuffleNet系列论文阅读笔记(ShuffleNetV1和ShuffleNetV2)
ShuffleNetV1和ShuffleNetV2核心知识汇总笔记。原创 2024-06-19 14:36:59 · 985 阅读 · 0 评论 -
MobileNet系列论文阅读笔记(MobileNetV1、MobileNetV2和MobileNetV3)
MobileNetV1、MobileNetV2和MobileNetV3核心知识汇总笔记。原创 2024-06-18 12:22:56 · 1206 阅读 · 2 评论 -
图像分类经典论文阅读笔记(VGGNet、Google Net、ResNet、DenseNet、SENet、ResNeXt)
下图就是Inception网络架构的两个模块,(a)是原始版本,但是每个Inception模块都会增加维度,最后会导致计算爆炸。为什么维度一定会增加?(结合后面的Concatenate操作)因为存在一个池化层,而池化层的维度和输入的维度是一致的,所以不管其他三个卷积的卷积核个数到底是多少,最终得到的输出结果维度都会增加。如果输入的维度是x,那么输出的维度至少也是x+3。(b)是改进后的模块,通过加入1 x 1卷积,实现降维,可以降低参数量和计算量。原创 2024-06-07 20:17:38 · 568 阅读 · 1 评论