![](https://img-blog.csdnimg.cn/9a5bd63d37ab41888eecdef2f21d7aa4.jpeg?x-oss-process=image/resize,m_fixed,h_224,w_224)
Codes
文章平均质量分 79
Provides codes
__momo__
AI4Science & CV
展开
-
决策树、随机森林、多层感知机、支持向量机在多分问题中的对比
Introduction本篇文章使用决策树 (Decision Tree)、随机森林 (Random Forest)、多层感知机 (Multiple Perceptron)、支持向量机 (Support Vector Machine) 四种算法来进行三分类问题。依赖于python sklearn 代码库。决策树 (Decision Tree)本文中决策树...原创 2020-08-14 16:27:35 · 7989 阅读 · 2 评论 -
ResNet-50/101/152
与ResNet18 和 34不一样的是,50,101和152使用了bottleneck结构而不是basic block。在bottleneck中,对channel进行了缩放。,在这篇文章中,BTNK1对应代码中 bottleneck。的情况,BTNK2对应。原创 2022-12-19 18:55:31 · 2358 阅读 · 0 评论 -
DeepLabv3+ 中Dilation ASPP 以及Decoder模块
ASPP模块主要包含以下几个部分: (1) 一个1×1卷积层,以及三个3x3的空洞卷积,对于output_stride=16,其rate为(6, 12, 18) ,若output_stride=8,rate加倍(这些卷积层的输出channel数均为256,并且含有BN层);(3)将(1)和(2)得到的4个不同尺度的特征在channel维度concat在一起,然后送入1x1的卷积进行融合并得到256-channel的新特征。原创 2022-12-22 13:18:45 · 1040 阅读 · 0 评论 -
HRNet
在语义分割的时候需要得到一个高分辨率的heatmap进行关键点的检测。获取高分辨率的方式一般是采用先降分辨率再升分辨率的方法,例如U-Net,SegNet,DeconvNet,Hourglass。这些网络的一个特点是将不同的分辨率进行串联。与上述Net不同的是,HRNet并联了不同分辨率,并添加不同分辨率之间的交互。原创 2023-02-02 21:44:55 · 388 阅读 · 0 评论 -
Xception
depthwise convolution的一个卷积核只负责一个通道,输入与输出的通道数相同,无法扩展featuremap,没有有效利用不同通道在相同空间位置上的feature信息,因此需要pointwise covolution将feature map进行有效组合。由于inception V2采用的是先pooling再inception的结构,会造成表达的瓶颈问题,即特征图的大小不能急剧缩减,只经过一层就骤降,会丢失大量信息,对模型训练造成困难。的参数,因此使用深度可分离卷积能有效减少参数的个数。原创 2023-02-08 15:41:03 · 477 阅读 · 0 评论 -
EfficientNetV2
与EfficientNet相比,EfficientNetV2有以下区别:+ 在浅层网络中大量运用了`MBConv`和新加入的`fused-MBConv`+ 使用了较小的expansion ratio,可以达到较小的内存访问开销+ 偏向于`kernel3x3`,但这需要增加层数来弥补小kernel感受野的不足+ 移除了last stride-1 stage,但是这是由于NAS搜索出来的,所以是作者的猜测可能是在参数量和访存开销的优化。原创 2023-02-23 16:14:42 · 349 阅读 · 0 评论