合集-AI论文
摘要：![[轻量化网络]MobileNet V1学习笔记](https://img2022.cnblogs.com/blog/741682/202209/741682-20220922183525543-1184991802.png)
MobileNet V1是谷歌2017年提出的轻量化卷积神经网络，用于在移动端、边缘终端设备上进行实时边缘计算和人工智能推理部署。
使用深度可分离卷积Depthwise Separable Convolution，在保证准确度性能的基础上，将参数量、计算量压缩为标准卷积的八到九分之一。引入网络宽度超参数和输入图像分辨率超参数，进一步控制网络尺寸。
在ImageNet图像分类、Stanford Dog细粒度图像分类、目标检测、人脸属性识别、人脸编码、以图搜地等计算机视觉任务上，结合知识蒸馏进行评估，MobileNet表现出极致的轻量化和速度性能。
阅读全文
MobileNet V1是谷歌2017年提出的轻量化卷积神经网络，用于在移动端、边缘终端设备上进行实时边缘计算和人工智能推理部署。
使用深度可分离卷积Depthwise Separable Convolution，在保证准确度性能的基础上，将参数量、计算量压缩为标准卷积的八到九分之一。引入网络宽度超参数和输入图像分辨率超参数，进一步控制网络尺寸。
在ImageNet图像分类、Stanford Dog细粒度图像分类、目标检测、人脸属性识别、人脸编码、以图搜地等计算机视觉任务上，结合知识蒸馏进行评估，MobileNet表现出极致的轻量化和速度性能。
阅读全文
摘要：![[轻量化网络]MobileNet V2学习笔记](https://img2022.cnblogs.com/blog/741682/202209/741682-20220922183001225-1309822696.png)
谷歌轻量化卷积神经网络MobileNet V2，用于移动端实时边缘计算部署。
构建先升维后降维，在降维时使用线性激活函数，带残差的Inverted bottleck模块，防止ReLU信息丢失。
在图像分类、目标检测、语义分割等任务上实现了网络轻量化、速度和准确度的权衡。
阅读全文
谷歌轻量化卷积神经网络MobileNet V2，用于移动端实时边缘计算部署。
构建先升维后降维，在降维时使用线性激活函数，带残差的Inverted bottleck模块，防止ReLU信息丢失。
在图像分类、目标检测、语义分割等任务上实现了网络轻量化、速度和准确度的权衡。
阅读全文
摘要：![[重读经典论文] AlexNet——引爆CNN](https://img2023.cnblogs.com/blog/741682/202304/741682-20230402152653130-623410170.png)
1. 前言 AlexNet是一个深度卷积神经网络模型，由Alex Krizhevsky、Ilya Sutskever和Geoffrey Hinton于2012年设计。这个模型在ImageNet图像识别挑战赛中获得了当时的冠军，并推动了卷积神经网络在计算机视觉中的广泛应用。 AlexNet包括5个卷积
阅读全文
1. 前言 AlexNet是一个深度卷积神经网络模型，由Alex Krizhevsky、Ilya Sutskever和Geoffrey Hinton于2012年设计。这个模型在ImageNet图像识别挑战赛中获得了当时的冠军，并推动了卷积神经网络在计算机视觉中的广泛应用。 AlexNet包括5个卷积
阅读全文
摘要：![[轻量化网络]ShuffleNet V2学习笔记](https://img2022.cnblogs.com/blog/741682/202210/741682-20221018143259742-137511581.png)
旷视轻量化卷积神经网络ShuffleNet V2
ECCV 2018论文：ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design
通过大量实验提出四条轻量化网络设计准则，对输入输出通道、分组卷积组数、网络碎片化程度、逐元素操作对不同硬件上的速度和内存访问量MAC的影响进行了详细分析。
提出ShuffleNet V2模型，通过Channel Split替代分组卷积，满足四条设计准则，达到了速度和精度的最优权衡。
阅读全文
旷视轻量化卷积神经网络ShuffleNet V2
ECCV 2018论文：ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design
通过大量实验提出四条轻量化网络设计准则，对输入输出通道、分组卷积组数、网络碎片化程度、逐元素操作对不同硬件上的速度和内存访问量MAC的影响进行了详细分析。
提出ShuffleNet V2模型，通过Channel Split替代分组卷积，满足四条设计准则，达到了速度和精度的最优权衡。
阅读全文
摘要：![[轻量化网络]ShuffleNet V1学习笔记](https://img2022.cnblogs.com/blog/741682/202210/741682-20221009092740124-1359703249.png)
旷视轻量化卷积神经网络ShuffleNet V1。
通过group pointwise convolution分组1x1卷积和channel shuffle通道重排操作，降低参数量和计算量，扩增卷积核个数。
阅读全文
旷视轻量化卷积神经网络ShuffleNet V1。
通过group pointwise convolution分组1x1卷积和channel shuffle通道重排操作，降低参数量和计算量，扩增卷积核个数。
阅读全文
摘要：![[轻量化网络]Mnasnet学习笔记](https://img2022.cnblogs.com/blog/741682/202210/741682-20221007161158541-1101718959.png)
谷歌轻量化卷积神经网络Mnasnet，介于MobileNet V2和V3之间。
CVPR2019论文：Mnasnet: Platform-aware neural architecture search for mobile
使用多目标优化的目标函数，兼顾速度和精度，其中速度用真实手机推断时间衡量。
提出分层的神经网络架构搜索空间，将卷积神经网络分解为若干block，分别搜索各自的基本模块，保证层结构多样性。
阅读全文
谷歌轻量化卷积神经网络Mnasnet，介于MobileNet V2和V3之间。
CVPR2019论文：Mnasnet: Platform-aware neural architecture search for mobile
使用多目标优化的目标函数，兼顾速度和精度，其中速度用真实手机推断时间衡量。
提出分层的神经网络架构搜索空间，将卷积神经网络分解为若干block，分别搜索各自的基本模块，保证层结构多样性。
阅读全文
摘要：1. 前言 ResNeXt是由何凯明团队在论文《Aggregated Residual Transformations for Deep Neural Networks》提出来的新型图像分类网络。 ResNeXt是ResNet的升级版，在ResNet的基础上，引入了cardinality的概念，其实
阅读全文
摘要：1. 前言 SENet由Momenta公司，在论文《Squeeze-and-Excitation Networks》提出，核心是SE block，它通过对特征通道间的相关性进行建模，把重要的特征进行强化来提升准确率。 作者采用SENet block和ResNeXt结合在ILSVRC 2017（最后一
阅读全文
摘要：1. 前言 ResNet由微软亚洲研究院在论文《Deep Residual Learning for Image Recognition》中提出，获得2015年ImageNet图像分类、定位、检测，MS COCO竞赛检测、分割五条赛道的冠军，通过引入残差连接，有效解决深层网络训练时的退化问题，可以通
阅读全文
摘要：1. 前言 VGG是由牛津大学视觉组（Visual Geometry Group，Vgg的名称也是来源于此）在2014年的论文《Very Deep Convolutional Networks for Large-Scale Visual Recognition》中提出的卷积神经网络模型。 VGG将
阅读全文
摘要：1. 前言Inception V4是google团队在《Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning》论文中提出的一个新的网络，如题目所示，本论文还提出了Inception-ResN
阅读全文
摘要：1. 前言 Inception V2/V3由googLeNet的一作在《Rethinking the Inception Architecture for Computer Vision》中提出。本论文在GoogLeNet和BN-Inception的基础上，对Inception模块的结构、性能、参数
阅读全文
摘要：![[重读经典论文]GoogLeNet——Inception模块的诞生](https://img2023.cnblogs.com/blog/741682/202303/741682-20230327231550071-626263416.png)
GoogLeNet深度卷积神经网络结构，及其后续变种Inception-V1、Inception-V2-Inception-V3、Inception-V4。
使用Inception模块，引入并行结构和不同尺寸的卷积核，提取不同尺度的特征，将稀疏矩阵聚合为较为密集的子矩阵，大大提高计算效率，降低参数数量。加入辅助分类器，实现了模型整合、反向传播信号放大。
GoogLeNet在ILSVRC-2014图像分类竞赛中获得了top-5误差6.7%的冠军成绩。
阅读全文
GoogLeNet深度卷积神经网络结构，及其后续变种Inception-V1、Inception-V2-Inception-V3、Inception-V4。
使用Inception模块，引入并行结构和不同尺寸的卷积核，提取不同尺度的特征，将稀疏矩阵聚合为较为密集的子矩阵，大大提高计算效率，降低参数数量。加入辅助分类器，实现了模型整合、反向传播信号放大。
GoogLeNet在ILSVRC-2014图像分类竞赛中获得了top-5误差6.7%的冠军成绩。
阅读全文
摘要：![[重读经典论文]ZFNET——神经网络可视化的开山之作](https://img2023.cnblogs.com/blog/741682/202303/741682-20230327232144424-163883915.png)
纽约大学ZFNet，2013年ImageNet图像分类竞赛冠军模型。提出了一系列可视化卷积神经网络中间层特征的方法，并巧妙设置了对照消融实验，从各个角度分析卷积神经网络各层提取的特征及对变换的敏感性。
使用反卷积，将中间层feature map投射重构回原始输入像素空间，便于可视化每个feature map捕获的特征。
改进AlexNet模型，减小卷积核尺寸，减小步长，增加卷积核，提出ZFNet。
阅读全文
纽约大学ZFNet，2013年ImageNet图像分类竞赛冠军模型。提出了一系列可视化卷积神经网络中间层特征的方法，并巧妙设置了对照消融实验，从各个角度分析卷积神经网络各层提取的特征及对变换的敏感性。
使用反卷积，将中间层feature map投射重构回原始输入像素空间，便于可视化每个feature map捕获的特征。
改进AlexNet模型，减小卷积核尺寸，减小步长，增加卷积核，提出ZFNet。
阅读全文
摘要：参考博客：FCOS网络解析 参考视频：FCOS网络讲解 从Anchor-Base转到Anchor-free，其实会有几个问题，一个是如何匹配正负样本？第二个是预测时中心点坐标怎么定？ 如何匹配正负样本？ 网络采用了FCN，得到若干个待预测的特征图，然后将每个GT的范围映射到特征图中，只要特征图中的某
阅读全文
摘要：1. V1参考博客：EfficientNet网络详解 参考视频：9.1 EfficientNet网络详解 基于MobileNetV3的基本模块改进后形成EfficientNet-B0，并以其为基准网络，对输入图像分辨率r，网络的深度depth及网络的宽度width三个参数，在限定内存和计算量的条件下
阅读全文
摘要：1. 前言 google团队MobileNet系列的第三个版本，在论文《Searching for MobileNetV3》中提出。感觉主要在Mnasnet和MobileNetV2上进行改进，主要工作有以下几点： 更新V2中的倒残差结构（bneck），重新设计激活函数 使用NAS搜索参数 重新设计耗
阅读全文
摘要：1. 前言 这篇论文也是何凯明的团队在2017年的论文《Focal Loss for Dense Object Detection》中提出的，网络架构魔改了FPN，因此这篇论文的重点是提出了新的分类Loss——Focal Loss，用一个合适的函数，去度量难分类和易分类样本对总的损失函数的贡献。解决
阅读全文
摘要：1. FPN 1.1. FPN简介 特征金字塔，全称Feature Pyramid Networks ，由Tsung-Yi Lin等2017年在论文《Feature Pyramid Networks for Object Detection》中提出，它的主要目标是解决在不同尺度上进行目标检测和分割时
阅读全文
摘要：参考视频：YOLOv7论文，网络结构，官方源码，超详细解析 参考博客：YOLOV7详细解读（一）网络架构解读 总体来说框架也是没有大的变化，但是Block应该是精心设计过的，ELAN有点像Inception模块，加上RepVgg的结构重参数化，还有SPP魔改，总体感觉就是网络过于复杂，而且和v6同期
阅读全文
