11 2022 档案
摘要：对于深度学习模型优化，通常从以下几点进行： 1、数据方面： 1）数据预处理：比如可以进行重采样；设置图像强度阈值。 2）数据增广：对于图像来说，可以对图像进行平移、旋转、镜像、添加噪声，改变对比度等方法进行数据扩充。这是一个对图像数据进行扩充的一些库：https://github.com/album
阅读全文
摘要：详细介绍这里，清楚的介绍了三种损失函数。我这里重点记录一下他们的异同，方便自己消化理解。 1、对于回归损失函数，通常主要有MSE（均方误差），MAE（平均绝对误差），Huber Loss。其中，Huber Loss（也叫smooth L1 Loss）是为了消除二者的缺点而提出来的。 2、通常MSE
阅读全文
摘要：图像分割是建立在图像分类和目标检测的基础之上。所以难度也要比图像分类要难。同时，两个任务在评价指标上其实也就存在一些相同，比如都会用到混淆矩阵，准确率，精确率，召回率，F1-score，IOU等评价指标，这些指标的计算我已经在之前图像分割评价指标介绍过了。下面就介绍一下图像分割中没介绍，但是在图像分
阅读全文
摘要：对于图像分割，首先可能会想到TP（True Positives）， TN(True Negatives)， FP(False Positives)，FN(False Negatives)这几个单词，但实际上由他们几个单词组成的混淆矩阵（confusion matrix）才是重点。 真实 预测 正例
阅读全文
摘要：这两篇[1]【2】博客写的都非常详细。这里做个笔记记录一下。 HOG称为方向梯度直方图（Histogram of Oriented Gradient），主要是为了对图像进行特征提取。所以在传统目标检测算法中经常与SVM结合用于行人识别任务（当前都是基于深度学习来做了，毕竟效果不要太好了，并且省去了繁
阅读全文
摘要：主要是为了个人理解，做个笔记 1、Pytorch代码 2、论文出处 3、详细介绍 这篇论文在2018年发出来，而ShuffleNet是从2017年由旷视发出来。起初了解shufflenet的提出，主要是为了解决分组卷积所导致的不同分组间信息无法交流的问题，所以采用了channel shuffle操作
阅读全文
摘要：1、为了方便理解其本身结构，找到源码理解一下。 2、论文地址：http://arxiv.org/pdf/1801.04381.pdf 3、V2相比较V1增加了倒残差结构和线性瓶颈层。整个结构按照维度来看，类似一个中间宽，两边窄的结构。其中最后一层使用linear卷积（没有使用ReLU进行非线性激活，
阅读全文
摘要：来源 卷积： 输入尺寸 ，卷积核的大小为 * ，输出的尺寸大小为 参数量 （1）不考虑bias：（2）考虑bias： FLOPs （1）不考虑bias 解释：先计算输出的中一个元素需要的计算量，即括号这一部分，根据卷积的公式可知这部分为 * + * ,其中前一项表示做了的乘法次数，后一项表示这些乘法
阅读全文
