摘要：
第四次作业：卷积神经网络 part 3 【第一部分】 代码练习 HybridSN原代码（上次作业） 链接 HybridSN修改后的代码（本次作业）链接 【第二部分】 代码练习 在线学习北京大学李夏的在线报告《语义分割中的自注意力机制和低秩重重建》 针对视频里的内容，我选择了其中一部分“自注意力机制和 阅读全文
摘要：
参考自：https://zhuanlan.zhihu.com/p/53010734 Non-local Neural Networks及自注意力机制思考 创新 不管是cv还是NLP任务，都需要捕获长范围依赖。在时序任务中，RNN操作是一种主要的捕获长范围依赖手段，而在CNN中是通过堆叠多个卷积模块来 阅读全文
摘要：
原代码链接 结果为： 经过一周的学习与参考其他同学的代码，我对自己的代码进行了一定的修改。 添加bn层 class HybridSN(nn.Module): def __init__(self, num_classes=16): super(HybridSN, self).__init__() se 阅读全文
摘要：
Strip Pooling 语义分割既需要细节信息，又需要全局信息。 全局信息：Non-local modules、self-attention 存在的问题是需要计算很大的矩阵 其他的方法： 空洞卷积 全局平均/金字塔池化 只能获得各向同性的信息，很难获得各项异性的信息。 strip pooling 阅读全文
摘要：
Res2Net 在自然场景中，视觉模式经常表现多尺寸特征。如下图所示，(1)一张图片中可能会存在不同尺寸的物体。比如，沙发及被子的大小是不同的。（2）一个物体自身的上下文信息可能会覆盖比自身更大范围的区域。比如，依赖于桌子的上下文信息，进而判断桌子上的黑色斑点是杯子还是笔筒。（3）不同尺寸的感知信息 阅读全文