![](https://img-blog.csdnimg.cn/20201014180756754.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
图像分类
图像分类
zhongqianli
专注计算机视觉领域
展开
-
图像分类之从AlexNet到ResNeSt概述
AlexNet 深度学习崛起的开端。 引入dropout,用于减轻过拟合。 将激活函数换成ReLU。 使用group convolution在两个GPU上训练,为后续的CNN网络带来启发。 提出了LRN,可以理解为一种对比度归一化,一种正则化方法,可以提升网络泛化能力。 使用了重叠的max-pooling。 NIN 提出了全局平局池化(global average pooling),用于替代全连接层,没有需要学习的参数,避免了全连接层带来的过拟合和不可解释问题。 VGG 重复堆叠3x3 conv和 2x2原创 2020-08-20 21:49:59 · 552 阅读 · 0 评论 -
ShuffleNet V2学习笔记
paper:《ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design》 导语 神经网络架构的设计目前主要由计算复杂度的间接指标(即FLOPs)来指导。但是,直接指标(如速度)还依赖于其他因素,如内存访问成本(MAC)和平台特点。 作者指出过去在网络架构设计上仅注重间接指标 FLOPs 的不足,并提出两个基本...原创 2019-02-01 22:16:32 · 506 阅读 · 0 评论 -
MobileNetV2学习与实现
摘要 《MobileNetV2: Inverted Residuals and Linear Bottlenecks》提出了一种新的移动端架构MobileNetV2。同时将这个移动端模型应用到了目标检测,得到了一个新框架SSDLite。此外通过Mobile DeepLabv3演示了如何构建移动端语义分割模型。 引言 主要贡献提出了一种新颖的模块:the inverted residual with...原创 2019-01-26 23:31:12 · 665 阅读 · 0 评论 -
ResNeXt学习与实现
摘要 《Aggregated Residual Transformations for Deep Neural Networks》提出了高度模块化的网络架构用于图像分类,网络是通过重复使用集成了一系列具有相同拓扑的模块来构建的,是一个同类的多分支的架构。 引入了一个概念,cardinality(集合的势),transformations集合的大小。 通过增加cardinality来增加模型容量比增...原创 2019-01-26 17:48:33 · 1021 阅读 · 0 评论 -
DenseNet学习与实现
《Densely Connected Convolutional Networks》提出了DenseNet,它用前馈的方式连接每一层与所有其他层,L层网络共有L(L+1)2\frac{L(L+1)}{2}2L(L+1)条直接连接。DenseNet有几个优势:可以减轻梯度消失问题、强化特征传播、鼓励特征再利用、实质地减少参数数量。 动机 随着卷积神经网络变得越来越深,一个新的研究问题出现了:当输...原创 2019-01-25 20:51:27 · 7443 阅读 · 1 评论