- 博客(3)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 nnie yolov5初探
硬件hisi3519av100yolov5s移植，鉴于yolov5中的upsample,silu,maxpool等的op在nnie上不一致，做出如下修改。## 模型修改。### 参考官方的yolov5 4.0版本+ git clone -b v4.0 https://github.com/ultralytics/yolov5.git/### 修改处1, utils/activations.py 增加如下: class ReLU(nn.Module): @st...
2021-09-17 13:21:29
1354
8
原创 yolact 理解
总体思路，还是沿用yolo的检测思路。 Yolo中只是检测了一个个框，那能不能对这一个个框生成对应的mask图呢，肯定是可以的。 因为这些框使用特征层的像素点的anchor来回归的，为什么可以回归，因为框的大小是固定的啊，长度都是4，所以可以回归。但是mask长度不定，当然啊，如果你能够确定每个mask都是用固定数量的点来组成，比如都是30, 那就直接用Yolo来训练即可，但是结果会很粗糙。所以有另外一点思路上的改进：将每个框对应的mask图看成是原图在不同特征图上的叠加，然后训练一组参数权重来计算
2021-07-29 16:23:09
1392
原创 se-net的个人理解
首先感谢https://blog.csdn.net/guanxs/article/details/98544872问题的引入传统的cnn中，各个通道的一般是相互独立的 ，就算有关系，也是全局或者部分感受野的关系(类比sppnet)，那么其实在分类或者目标检测中，物体的中心点的权重和信息理所当然的应该比周边的信息多，比如人的脸比人的头的信息和细节更加的丰富，那么在cnn中如何体现了？解决思路不同的特征层是特征的体现，那么要体现脸和头的细节的差别，就要针对不同的特征层有不同的权重。...
2020-07-03 10:37:03
300
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人