深度学习
各种网络或者模块的集合
番茄大头小小白
ᕙ(๑^o^๑)ᕗ 蒙的全对
展开
-
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...原创 2021-09-17 13:21:29 · 1395 阅读 · 8 评论 -
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原创 2021-07-29 16:23:09 · 1451 阅读 · 0 评论 -
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。...原创 2020-07-03 10:37:03 · 307 阅读 · 0 评论