这里写目录标题
参考
1.聊一聊CV中的backbone结构
2.人人都爱(玩)Backbone(1)
3.Backbone发展与语义分割网络发展
4.深度学习框架-Backbone汇总
5.关于卷积神经网络(CNN)骨干结构的思考
6.神经网络的Backbone
常用结构
backbone主要包括:
VGG、ResNet(ResNet18,50,100)、ResNeXt、DenseNet、SqueezeNet、Darknet(Darknet19,53)、MobileNet、ShuffleNet、DetNet、DetNAS、SpineNet、EfficientNet(EfficientNet-B0/B7)、CSPResNeXt50、CSPDarknet53;
head
one-stage:RPN、SSD、YOLO、RetinaNet、CornerNet、CenterNet、MatrixNet、FCOS;
two-stage:Faster R-CNN、R-FCN、Mask RCNN (anchor based)、RepPoints(anchor free);
neck
SPP、ASPP、RFB、FPN、NAS-FPN、Fully-connected FPN、BiFPN等;
backbone
- 在神经网络中,尤其是CV领域,一般先对图像进行特征提取(常见的有vggnet,resnet,谷歌的inception),这一部分是整个CV任务的根基,因为后续的下游任务都是基于提取出来的图像特征去做文章(比如分类,生成等等)。
解释:主干网络(提取特征的网络)
**作用:一般先对图像进行特征提取(**常见的有vggnet,resnet,谷歌的inception),生成特征图feature map,供后面的网络使用,
这一部分是整个CV任务的根基,因为后续的下游任务都是基于提取出来的图像特征去做文章(比如分类,生成等等)。
这些网络经常使用的是resnet VGG等,而不是我们自己设计的网络,因为这些网络已经证明了在分类等问题上的特征提取能力是很强的。
在用这些网络作为backbone的时候,都是直接加载官方已经训练好的模型参数,后面接着我们自己的网络。
让网络的这两个部分同时进行训练,因为加载的backbone模型已经具有提取特征的能力了,在我们的训练过程中,会对他进行微调,使得其更适合于我们自己的任务
具体解释使用
理解抽象
用抽象的方法,把算法简洁明了的说明和对比,目的不是为了说明算法的细节,而是从算法的思想上去解析算法的演化流程和特点,以及贡献点。
这样分析大家也会就会明白,Backbone会如何给不同的算法提供Feature,不同算法的会从不同的角度去挖掘(玩)Feature中的信息。