ZhicongHou - 博客园

SENet学习笔记

摘要： 1.SENet简介以往CNN研究的着力点是挖掘空间信息的关系，即同一通道（特征图）上不同像素的关系。而SENet则挖掘通道之间的关系，可以说是非常与众不同的，而且结构也非常简单。它由SE模块构成，SE模块分为Squeeze操作和Excitation操作，Squeeze将一个通道上的空间特征编码为一阅读全文

posted @ 2020-07-27 22:57 ZhicongHou 阅读(293) 评论(0) 推荐(0) 编辑

DenseNet学习笔记

摘要： 1.简介 1.1.结构图 ResNet通过添加shortcut的方式，能够很好地解决梯度消失的问题，使得神经网络的深度可以进一步提升。ResNet只在相关两三层添加shortcut，而DenseNet则像是ResNet的极端版本，它在所有层之间都添加shortcut（类似于无向完全图），即当前层的输阅读全文

posted @ 2020-07-27 22:40 ZhicongHou 阅读(102) 评论(0) 推荐(0) 编辑

GoogLeNet学习笔记

摘要： 1.简介提升神经网络性能的最直接方法就是增大size，包括增加深度以及每一层的神经元数。但这样做有两个主要的缺点：（1）参数过多，当训练数据不大时，模型容易出现过拟合。（2）计算量大，越多的参数需要越多的计算资源。而且增加的神经元还有可能是无效的。那么，能避免上述两个缺点呢？上述两个问题的根源在阅读全文

posted @ 2020-07-25 11:26 ZhicongHou 阅读(109) 评论(0) 推荐(0) 编辑

ResNet学习笔记

摘要： 1.深层神经网络的优点和缺陷深度神经网络很大的一个优点就是能够表示一个复杂的功能。网络的层数越多，意味着能够提取到不同level的特征越丰富。并且，越深的网络提取的特征越抽象，越具有语义信息。但其有一个巨大的缺陷，那就是：如果简单地增加深度，会导致梯度弥散或梯度爆炸。使得训练速度十分缓慢：对于上阅读全文

posted @ 2020-07-25 06:44 ZhicongHou 阅读(185) 评论(0) 推荐(0) 编辑

VGG学习笔记

摘要： 1.网络结构 1.1.结构《VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION》这篇论文探讨卷积网络深度对分类精确率的影响。它主要通过设置几种配置相同但深度不同的卷积神经网络，来进行实验。配置如下：（1）输入是22 阅读全文

posted @ 2020-07-25 00:02 ZhicongHou 阅读(145) 评论(0) 推荐(0) 编辑

AlexNet学习笔记

摘要： 1.网络结构 1.1.结构 5个卷积层，3个全连接层，共6千万个参数（其中绝大部分来着全连接层，卷积层其实是很少的）。分成上下两部分，因为可以利用两个GPU同时训练，从而缩短训练时间。 AlexNet的输入是224*224RGB图像，输出是softmax层，1000个数表示属于1000个物体类别的可阅读全文

posted @ 2020-07-24 22:23 ZhicongHou 阅读(133) 评论(0) 推荐(0) 编辑

目标检测SSD

摘要： 1.SSD简介 1.1.直观理解 SSD模型与Faster R-CNN中的RPN以及YOLO v2都非常像，因为都是直接在卷积层上预测边框，都使用了anchor box，没有连接层。SSD模型感觉更像是YOLO v2的改进版，YOLO v2是在最后一层特征图上预测，而SSD是在多个不同层次的特征图上阅读全文

posted @ 2020-07-11 15:26 ZhicongHou 阅读(177) 评论(0) 推荐(0) 编辑

YOLO系列（2）—— YOLO v2

摘要： 1.YOLO v2的改进 1.1.Batch Normalization 加入了Batch Normalization。通过Batch Normalization可以将dropout从网络中移除了，也不怕会过拟合。 1.2.高分辨率分类器 YOLO v1：首先在224*224分辨率上训练分类网络，阅读全文

posted @ 2020-07-11 15:25 ZhicongHou 阅读(314) 评论(0) 推荐(0) 编辑

YOLO系列（1）—— YOLO v1

摘要： 1.YOLO简介 1.1.R-CNN系列与YOLO R-CNN系列的目标检测模型，其步骤可分为两步：第一步是生成许多个region proposal，第二步是对region proposal进行分类和边框回归。也就是说R-CNN系列不仅网络结构复杂，而且把目标检测任务由分类和回归共同完成。R-CNN 阅读全文

posted @ 2020-07-11 15:25 ZhicongHou 阅读(206) 评论(0) 推荐(0) 编辑

R-CNN系列（4）—— Faster R-CNN

摘要： 1.从Fast到Faster 1.1.Fast R-CNN的瓶颈 Fast R-CNN的区域提议由selective search方法提取出来。如果忽略提取区域提议在时间上的消耗，那么Fast R-CNN就能够达到实时检测的效果了。然而，基于selective search是在CPU上实现的，不能利阅读全文

posted @ 2020-06-13 00:32 ZhicongHou 阅读(195) 评论(0) 推荐(0) 编辑