摘要： 前言： 知乎上很多阅读英文文献方法的回答，总体而言都比较泛，很多回答基本都在介绍如何搜索文献，如何判断文献是否值得一读，用什么翻译软件等。 其实这些对CV这个方向来说，基本属于“无用良品”，因为CV领域现在很火热，各个方向基本都有很多总结性综述性的论文或文章或博客，并不需要自己一篇一篇地去找。也不需 阅读全文

摘要： 前言： 在计算机视觉方向，数据增强的本质是人为地引入人视觉上的先验知识，可以很好地提升模型的性能，目前基本成为模型的标配。最近几年逐渐出了很多新的数据增强方法，在本文将对数据增强做一个总结。 本文介绍了数据增强的作用，数据增强的分类，数据增强的常用方法，一些特殊的方法，如Cutout，Random 阅读全文

摘要： CNN结构演变总结（一）经典模型 CNN结构演变总结（二）轻量化模型 前言： 前两篇对一些经典模型和轻量化模型关于结构设计方面的一些创新进行了总结，在本文将对前面的一些结构设计的原则，作用进行总结。 本文将介绍两种提升模型的表示能力的结构或方式，模型的五条设计原则，轻量化模型的四个设计方式。 提升模 阅读全文

摘要： CNN结构演变总结（一）经典模型 导言： 上一篇介绍了经典模型中的结构演变，介绍了设计原理，作用，效果等。在本文，将对轻量化模型进行总结分析。 轻量化模型主要围绕减少计算量，减少参数，降低实际运行时间，简化底层实现方式等这几个方面，提出了深度可分离卷积，分组卷积，可调超参数降低空间分辨率和减少通道数 阅读全文

摘要： 导言： 自2012年AlexNet在ImageNet比赛上获得冠军，卷积神经网络逐渐取代传统算法成为了处理计算机视觉任务的核心。 在这几年，研究人员从提升特征提取能力，改进回传梯度更新效果，缩短训练时间，可视化内部结构，减少网络参数量，模型轻量化, 自动设计网络结构等这些方面，对卷积神经网络的结构有 阅读全文

摘要： CNN可视化技术总结(一)-特征图可视化 CNN可视化技术总结（二）--卷积核可视化 CNN可视化技术总结（三）--类可视化 导言： 前面介绍了可视化的三种方法--特征图可视化，卷积核可视化，类可视化，这三种方法在很多提出新模型或新方法的论文中很常见，其主要作用是提高模型或者新方法的可信度，或者用来 阅读全文

摘要： CNN可视化技术总结(一)-特征图可视化 CNN可视化技术总结（三）--类可视化 导言： 上篇文章我们介绍了特征图可视化方法，对于特征图可视化的方法（或者说原理）比较容易理解，即把feature map从特征空间通过反卷积网络映射回像素空间。 那卷积核怎样可视化呢，基于什么原理来可视化？卷积核的尺寸 阅读全文

摘要： CNN可视化技术总结(一)-特征图可视化 CNN可视化技术总结（二）--卷积核可视化 导言： 前面我们介绍了两种可视化方法，特征图可视化和卷积核可视化，这两种方法在论文中都比较常见，这两种更多的是用于分析模型在某一层学习到的东西。在理解这两种可视化方法，很容易理解图像是如何经过神经网络后得到识别分类 阅读全文

摘要： 导言： 在CV很多方向所谓改进模型，改进网络，都是在按照人的主观思想在改进，常常在说CNN的本质是提取特征，但并不知道它提取了什么特征，哪些区域对于识别真正起作用，也不知道网络是根据什么得出了分类结果。 如在上次解读的一篇论文《Feature Pyramid Transformer》(简称FPT）中 阅读全文

摘要： 本文来源于公众号《CV技术指南》的技术总结部分，更多相关技术总结请扫描文末二维码关注公众号。 导言： 池化是一个几乎所有做深度学习的人都了解的一个技术，大家对池化如何进行前向传播也都了解，池化的作用也了解一二。然而，池化如何回传梯度呢，池化回传梯度的原则是什么呢，最大池化与平均池化的区别是什么呢，什 阅读全文