随笔分类 - 深度学习
摘要：安装pytorch Nano上预装的Jetpack版本为4.6.1，Python为3.6.9，CUDA环境为10.2。在PyTorch for Jetson中可以下载不同版本的torch，torch<=1.10.0。 1 安装torch1.8.0 # substitute the link URL
阅读全文
摘要：【深度学习】总目录 SE论文：《Squeeze-and-Excitation Networks》将重点放在了通道（channel）关系上，并提出了一种新的结构单元SE block。将SE block堆叠在一起，就形成了SENet。SE块略微增加计算成本但显著地提升了性能，并且即插即用。SENet获得
阅读全文
摘要：【深度学习】总目录 输入端：数据增强、锚框计算等。 backbone：进行特征提取。常用的骨干网络有VGG，ResNet，DenseNet，MobileNet，EfficientNet，CSPDarknet 53，Swin Transformer等。（其中yolov5s采用CSPDarknet 53
阅读全文
摘要：【深度学习】总目录 DeepLab系列是谷歌团队提出的一系列语义分割算法。DeepLab v1于2014年推出，随后2017到2018年又相继推出了DeepLab v2，DeepLab v3以及DeepLab v3+。 DeepLab v1《Semantic Image Segmentation w
阅读全文
摘要：【深度学习】总目录 SegNet是Cambridge提出旨在解决自动驾驶或者智能机器人的图像语义分割深度网络，开放源码，基于caffe框架。SegNet运用编码-解码结构和最大池化索引进行上采样，最主要的贡献是它在效率上的提升(内存和时间)。文章很长，消融实验写的很详细，了解一下对以后改模型有所帮助
阅读全文
摘要：1 遍历子模块直接提取 对于简单的模型，可以采用直接遍历子模块的方法，取出相应name模块的输出，不对模型做任何改动。该方法的缺点在于，只能得到其子模块的输出，而对于使用nn.Sequensial()中包含很多层的模型，无法获得其指定层的输出。 示例 resnet18取出layer1的输出 from
阅读全文
摘要：语义分割任务常用的评价指标为Dice coefficient和IoU。Dice和IoU都是用来衡量两个集合之间相似性的度量，对于语义分割任务而言即用来评估网络预测的分割结果与人为标注结果之间的相似度。 1 混淆矩阵 混淆矩阵（confusion matrix）是一种特定的矩阵用来呈现算法性能的可视化
阅读全文
摘要：【深度学习】总目录 语义分割的U-Net网络是2015年诞生的模型，它几乎是当前segmentation项目中应用最广的模型。Unet能从更少的训练图像中进行学习，当它在少于40张图的生物医学数据集上训练时，IOU值仍能达到92%。Unet网络非常简单，前半部分作用是特征提取，后半部分是上采样。在一
阅读全文
摘要：在各种深度学习框架中，我们最常用的损失函数就是交叉熵，熵是用来描述一个系统的混乱程度，通过交叉熵我们就能够确定预测数据与真实数据的相近程度。交叉熵越小，表示数据越接近真实样本。 1 分类任务的损失计算 1.1 单标签分类 二分类 单标签任务，顾名思义，每个样本只能有一个标签，比如ImageNet图像
阅读全文
摘要：全卷积网络（FCN）是用于图片语义分割的一种卷积神经网络（CNN），由Jonathan Long，Evan Shelhamer 和Trevor Darrell提出，由此开启了深度学习在语义分割中的应用。语义分割是计算机视觉领域很重要的一个分支，在自动驾驶、地面检测等方面都起到很重要作用。与简单区分前
阅读全文
摘要：1 准备工具 CMake CUDA Toolkit + CUDNN VIstual Studio 2019 OpenCV + OpenCV_contrib 点击上面链接跳转，我使用的是CMake3.24，CUDA11.1，CUDNN8.0.5，已上传至百度网盘。 链接：https://pan.bai
阅读全文
摘要：从完成一个简单的『手写数字识别任务』开始，快速了解飞桨框架 API 的使用方法。 模型开发 『手写数字识别』是深度学习里的 Hello World 任务，用于对 0 ~ 9 的十类数字进行分类，即输入手写数字的图片，可识别出这个图片中的数字。 本任务用到的数据集为 MNIST 手写数字数据集，用于训
阅读全文
摘要：【深度学习】总目录 YOLOv1：《You Only Look Once: Unified, Real-Time Object Detection》one-stage的开山之作，将目标检测看作回归问题，直接从图像像素得到边界框坐标和类别概率。 YOLOv2：《YOLO9000: Better, Fa
阅读全文
摘要：这两天部署了好多模型，记录一下。代码链接。 onnxruntime在第一张图的推理上比opencv快很多，但在后面的图上略微慢了一点。 不同的模型的部署时的输出不同，处理时需要对输出比较了解，下面分别处理了目标检测、语义分割和分类模型的输出。 onnxruntime模型部署 例1：onnxrunti
阅读全文
摘要：【深度学习】总目录 深度残差网络（ResNet）由微软研究院的何恺明、张祥雨、任少卿、孙剑提出。研究动机是为了解决深度网络的退化问题，不同于过去的网络是通过学习去拟合一个分布，ResNet通过学习去拟合相对于上一层输出的残差。实验表明，ResNet能够通过增加深度来提升性能，而且易于优化，参数量更少
阅读全文
摘要：【深度学习】总目录 Inception技术演进 Inception-V1: 2014年9月，《Going Deeper with Convolutions》提出了Inception模块，在增加网络深度和宽度的同时减少参数（top-5错误率6.67%）。 BN-Inception: 2015年2月，《
阅读全文
摘要：代码源码 前情回顾：【论文笔记】R-CNN系列之论文理解 整体架构 由三部分组成 （1）提取特征的卷积网络extractor （2）输入特征获得建议框rois的rpn网络 （3）传入rois和特征图，获得分类结果和回归结果的分类网络classifier 伪代码： class FasterRCNN(n
阅读全文
摘要：【深度学习】总目录 RCNN全称region with CNN features，即用CNN提取出Region Proposals中的featues。RCNN系列论文（R-CNN，Fast R-CNN，Faster R-CNN）是使用深度学习进行物体检测的鼻祖论文，其中Fast R-CNN 以及Fa
阅读全文
摘要：【深度学习】总目录 由于受到计算机性能的影响，虽然LeNet在图像分类中取得了较好的成绩，但是并没有引起很多的关注。 直到2012年，Alex等人提出的AlexNet网络在ImageNet大赛上以远超第二名的成绩夺冠，卷积神经网络乃至深度学习重新引起了广泛的关注。 论文：《ImageNet Clas
阅读全文
摘要：【深度学习】总目录 MobileNet V1：《MobileNets: Efficient Convolutional Neural Networks for MobileVision Applications》 MobileNet V2：《MobileNetV2: Inverted Residua
阅读全文
