论文
文章平均质量分 96
论文解读
JehanRio
菊厂预备后端小花 | Started from the bottom
展开
-
【论文笔记】ODConv:OMNI-DIMENSIONAL DYNAMIC CONVOLUTION
本篇介绍一下动态卷积:ODConv,该方法通过并行策略采用多维注意力机制沿核空间的四个维度学习互补性注意力。作为一种“即插即用”的操作,它可以轻易的嵌入到现有CNN网络中。并且实验结果表明它可提升大模型的性能,又可提升轻量型模型的性能,实乃万金油是也!原创 2023-05-20 12:32:57 · 3721 阅读 · 2 评论 -
【论文笔记】Slim-neck by GSConv
作者提出了一种新方法GSConv来减轻模型复杂度,保持准确性。GSConv可以更好地平衡模型的准确性和速度。并且,提供了一种设计范式Slim-Neck,以实现检测器更高的计算成本效益。实验过程中,与原始网络相比,改进方法获得了最优秀的检测结果。目标检测是计算机视觉中一项艰巨的下游任务。对于车载边缘计算平台,大模型很难达到实时检测的要求。而且,由大量深度可分离卷积层构建的轻量级模型无法达到足够的准确性。因此本文引入了一种新方法 GSConv 来减轻模型的复杂度并保持准确性。原创 2023-05-18 17:08:33 · 16881 阅读 · 17 评论 -
【论文笔记】MobileNetV1、V2
昨天还在小红书上看到这样一篇帖子,他谈到突然感觉研究深度学习毫无意义。今天上课的时候,人工智能课的老师也在说,现在的学生都在搞深度学习,你搭一个10层的网络,我搭一个20层的网络,我比你精度高,我就可以发paper了。听着虽然蛮荒诞蛮搞笑蛮夸张的,但也算是事实。我之前就有这样的感觉了,感觉大学基本上所有的老师都在做深度学习。原创 2023-05-18 13:40:45 · 356 阅读 · 2 评论 -
【论文笔记】FasterNet:Run, Don’t Walk: Chasing Higher FLOPS for Faster Neural Networks
为了设计快速神经网络,许多工作都集中在减少浮点运算(FLOPs)的数量上。然而,作者观察到FLOPs的这种减少不一定会带来延迟的类似程度的减少。这主要源于每秒低浮点运算(FLOPS)效率低下。为了实现更快的网络,作者重新回顾了FLOPs的运算符,并证明了如此低的FLOPS主要是由于运算符的频繁内存访问,尤其是深度卷积。因此,本文提出了一种新的partial convolution(PConv),通过同时减少冗余计算和内存访问可以更有效地提取空间特征。原创 2023-05-16 17:24:52 · 2322 阅读 · 1 评论 -
【论文笔记】ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks
这篇论文出自CVPR2020,是一个通道注意力模块。本来没那么急着写这篇的,但奈何这周三就要进行大学生科研训练计划的答辩了,我的项目中又用到了这个,只好把他提前了。说来惭愧,去年这个时候,我孤注一掷,想着这个项目能产出论文,吃下了导师的这个大饼,一年过去了,导师从来没问过我们这个项目进度,论文自然就不用想了,但我想这跟搬到了仙桃有很大的关系。这个项目还是满水的,可能唯一出彩的地方就是他的标题,和自动驾驶沾了点边,让人觉得是一个很高级的项目。如今这个时候,仍然没有一篇论文。原创 2023-05-16 10:01:19 · 1025 阅读 · 0 评论 -
【论文笔记】YOLOv7:Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors
最近真的是一刻也不敢停下来,日子一天天的在减少,越来越焦虑了。写的虽然很多,但或者这也导致我很多博文内容质量都不够精,哭哭┭┮﹏┭┮YOLOv7是去年出的,或说这一两年YOLO大家族迭代也太快了,我去年这会儿YOLO才第五代,今年就第八代了。之前的一个项目里面也用到了YOLOv7,YOLOv7很多地方都和v5很像,这一篇我会着重去讲一下v7的创新点。本文提出了一种新的实时检测器,解决了重参化模块的替换问题和动态标签的分配问题。主要贡献:高效聚合网络架构:对ELAN扩展,提出了E-ELAN。原创 2023-05-12 14:04:22 · 1795 阅读 · 1 评论 -
【论文笔记】 NWD-Based Model
这板块对我来说是个很大的挑战,可能更多的内容是转载其他博主的内容。本来题目想取为论文解读的,但是我感觉我好像没到解读那个水平,于是就改为论文笔记了。小目标小目标检测是一个非常具有挑战性的问题,因为小目标只包含几个像素大小。作者证明,由于缺乏外观信息,最先进的检测器也不能在小目标上得到令人满意的结果。作者的主要观察结果是,基于IoU (Intersection over Union, IoU)的指标,如IoU本身及其扩展,对小目标的位置偏差非常敏感,在基于Anchor的检测器中使用时,严重降低了检测性能。原创 2023-05-10 16:49:47 · 1702 阅读 · 1 评论