![](https://img-blog.csdnimg.cn/20201014180756923.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
图像分类
文章平均质量分 52
栋哥爱做饭
想都是问题
做才是答案
展开
-
分类评估标准混淆矩阵(图像分类篇)
推荐博文https//blog.csdn.net/Orange_Spotty_Cat/article/details/80520839。参考链接https//blog.csdn.net/qq_37541097?spm=1001.2014.3001.5509。在自己写论文中,分类模型评价的一节里,你可以采用类似下面的图来证明你的模型怎么样。...原创 2022-03-15 17:59:24 · 4181 阅读 · 0 评论 -
MobileNetV2简述(图像分类篇)
文章是对博主视频讲解的一些总结。博主链接:https://blog.csdn.net/qq_37541097?spm=1001.2014.3001.55091.预言MobileNetV2来自2018年,出自Goole团队之手。相比于V1肯定更牛准确率更高模型更小2.亮点1.Inverted Residuals 倒残差结构2.Linear Bottlenecks2.1 倒残差结构倒残差结构的区别倒残差结构是否带有shortcut条件:当stride=1且输入特征矩阵的原创 2022-01-17 15:54:16 · 753 阅读 · 0 评论 -
MobileNetV1简述(图像分类篇)
文章是对博主视频讲解的一些总结。博主链接:https://blog.csdn.net/qq_37541097?spm=1001.2014.3001.55091.预言MobileNet来自2017年,出自Goole团队之手。专注于移动端或者嵌入式设备中的轻量级CNN网络。2.亮点1.Depthwise Convolution(DW卷积)(大大减少运算量和参数数量)2.增加超参数α、β2.1 传统卷积传统卷积1.卷积核channel=输入特征矩阵channel2.输出特征矩阵chann原创 2022-01-17 14:26:08 · 361 阅读 · 0 评论 -
ShuffleNetV1简述(图像分类篇)
文章是对博主视频讲解的一些总结。博主链接:https://blog.csdn.net/qq_37541097?spm=1001.2014.3001.55091.预言ShuffleNetV1和MobileNet一样属于轻量级的网络,出自旷视之手。2.亮点channel shuffle 思想的提出提出的原因分组卷积目的是:虽然分组卷积可以大幅度的减少参数的数量,但是组与组之间没有交流导致降低网络的特征提取的能力,所以提出采用shuffle的方式来解决整个问题。3. 网络结构3.1 Sh原创 2022-01-17 16:42:53 · 1422 阅读 · 0 评论 -
EfficientNetV1简述(图像分类篇)
文章是对博主视频讲解的一些总结。博主链接:https://blog.csdn.net/qq_37541097?spm=1001.2014.3001.5509原论文地址:https://arxiv.org/abs/1905.119461.预言EfficientNet(V1)来自2019年,出自Google之手。同时探索输入分辨率、网络的深度、宽度对网络的影响(网络好坏的主要评定指标是准确率和网络训练的速度)(a)为基线网络,也可以理解为小网络;(b)为增大感受野的方式扩展网络;©为增大网原创 2022-01-20 12:12:35 · 3066 阅读 · 0 评论 -
MobileNetV3简述(图像分类篇)
文章是对博主视频讲解的一些总结。博主链接:https://blog.csdn.net/qq_37541097?spm=1001.2014.3001.55091.预言MobileNetV3来自2018年,出自Goole团队之手。相比于V1和V2肯定更牛,作为轻量级网络,参数还是一如既往的少。主要有以下四个特点既包含了MobileNetV1的深度可分离卷积也包含了MobileNetV2的具有线性瓶颈的残差结构轻量级的注意力机制利用h-swish代替swish函数2.亮点1.提出SE注原创 2022-01-17 16:14:50 · 1071 阅读 · 0 评论 -
ShuffleNetV2简述(图像分类篇)
文章是对博主视频讲解的一些总结。博主链接:https://blog.csdn.net/qq_37541097?spm=1001.2014.3001.55091.预言ShuffleNetV2和MobileNet一样属于轻量级的网络,出自旷视之手。,但是不一样的地方在于,ShuffleNetV2的优化点更精细一些,完全瞄准轻量化这个目标而设计。在V1的基础上提出了修改,主要参考四点准则2.亮点作者提出直接的对网络速度测量应该代替FLOPs,并针对网络的速度提出了四点建议2.1 准则1卷积原创 2022-01-17 16:57:58 · 1121 阅读 · 0 评论 -
AlexNet简述(图像分类篇)
文章是对博主视频讲解的一些总结。博主链接:https://blog.csdn.net/qq_37541097?spm=1001.2014.3001.55091.预言ALexNet来自2012年,是Hinton和他的学生Alex Krizhevsky设计。2.亮点1.首次利用GPU进行网络加速训练。2.使用了Relu激活函数,而不是传统的Sigmoid激活函数以及Tanh激活函数。3.使用了LRN局部响应归一化。4.在全连接层的前层的前两层中使用了Dropout随机失活神经元操作,以减少过原创 2022-01-16 21:04:38 · 326 阅读 · 0 评论 -
VGGNet简述(图像分类篇)
文章是对博主视频讲解的一些总结。博主链接:https://blog.csdn.net/qq_37541097?spm=1001.2014.3001.55091.预言ALexNet来自2014年,是出自牛津大学研究组VGG(visual geometry group)之手。2.亮点1.通过堆叠多个3x3的卷积核来替代大尺度的卷积核(目的就是减少参数,本质还是卷积核的参数具有权值共享的特点)2.具有相同的感受野两个3x3的卷积堆叠相当于一个5x5的卷积核三个3x3的卷积核堆叠相当于一个7x原创 2022-01-17 11:35:33 · 840 阅读 · 0 评论 -
GoogleNet简述(图像分类篇)
文章是对博主视频讲解的一些总结。博主链接:https://blog.csdn.net/qq_37541097?spm=1001.2014.3001.55091.预言GoogLeNet来自2014年,出自Goole团队之手。2.亮点1.引入了Inception结构(融合了不同尺度的特征信息)===并行结构2.使用了1x1的卷积核进行降维以及映射处理3.添加两个辅助分类器帮助训练4.丢弃FC层,使用平均池化层(大大减少模型参数)2.1 Inception结构当你不知道该采用什么样子卷积核尺寸原创 2022-01-17 12:09:13 · 688 阅读 · 0 评论 -
ResNet简述(图像分类篇)
文章是对博主视频讲解的一些总结。博主链接:https://blog.csdn.net/qq_37541097?spm=1001.2014.3001.55091.预言ResNet来自2015年,是出自微软实验室之手。可以训练152层超深网络。对于一般网络而言,加深网络会带来问题:梯度的消失或者爆炸(引入数据标准化处理、权重初始化、BN)网络的退化(引入残差结构)2.亮点超深的网络结构(突破1000层)提出residual模块(残差块)使用BN加速训练(丢弃dropout)原创 2022-01-17 13:14:12 · 2397 阅读 · 0 评论 -
Vision Transformer模型简述(图像分类篇)
模型的组成简单而言,模型由三个模块组成:Linear Projection of Flattened Patches (嵌入层)Transformer EcoderMLP Head(用于分类)embeding层一般的输入图像是[H,W,C]是三维的,这个格式是不符合Transformer Encoder的输入要求的。***所以我们这一层的主要目的就是变换"三维矩阵变成二维矩阵"***。主要步骤:1.将一张图片按给定的大小分成一堆patches。2.通过线性映射将每个Patch映原创 2022-01-11 19:01:57 · 1672 阅读 · 0 评论