快2020年了,你还在为深度学习调参而烦恼吗?

OpenCV入门指南:从安装到实战,掌握Python计算机视觉核心 计算机视觉作为人工智能的重要分支,通过算法让机器“看懂”图像与视频。其核心原理涉及图像处理、特征提取和模式识别,技术价值在于将视觉信息转化为结构化数据,广泛应用于安防监控、自动驾驶、医疗影像和工业质检等领域。OpenCV作为开源计算机视觉库,提供了从基础图像操作到高级机器学习算法的完整工具链,其Python接口(cv2)与NumPy无缝集成,极大降低了开发门槛。本文以OpenCV为核心,结合图像处理和人脸检测等热词,详细讲解环境搭建、核心模块使用及实战项目开发,帮助读者快速构建视觉应用原型。 阅读详情

前言

我之前回答了一个深度学习调参的问题,整理了从2019年月1到12月的一些经验,没想到这几天竟然火起来了,2天之内涨了快300赞同,看来大家还是比较关注这方面的。然后昨天晚上,旷世的akkaze-郑安坤也发表了他的调参技巧,也是非常的实用和精炼,因此在取得了他的授权后,我在这篇推文转载他的回答同时附上我自己这一年所总结的技巧。我觉得这些方法应该让更多人看看,给大家一些帮助,一些启发,所以就有了这篇文章。文章一共分为两部分,一部分为akkaze的调参技巧,另一部分为BBuf的调参技巧,均总结在2020年元旦前。

akkaze 调参技巧

原网址:https://www.zhihu.com/question/25097993/answer/951697614

  • 网络能深则深,在保持比较小宽度的时候,要想办法加深网络,变深的过程中网络慢慢变胖。

  • 使用小卷积核,小卷积核有利于网络走向更深,并且有更好的识别鲁棒性。

  • 下采样在网络前几层的密度大一些,(这样能尽可能用微弱精度损失换取速度提升) 越往后下采样的密度应该更小,最终能够下采样的最大深度,以该层的感受野以及数据集中最大的有意义物体尺寸决定(自然不可能让最大有意义的物体在某一层被下采样到分辨率小于1,但是网络依然可以work,只不过最后几层可能废弃了(相信cnn的学习能力,因为最大不了它也能学出单位卷积,只有中心元素不为0的卷积核),更准确的说这是最大感受野的极限,最大感受野覆盖最大有意义的物体)。

  • 所以一般做法是前面几层下采样频率高一点,中间层下采样频率降低,并使用不下采样的方法提高深度。           越靠前分辨率降低越快,中间一定要加深

  • shortcut connection里,找不到concat,用add凑合吧,反之亦然。

  • 先训一个大模型然后裁剪,也许比直接训一个小模型性能好。

  • 网络最后面完全可以使用不采样的空洞卷积来做,对于分割尤其如此。

         最后面不要再下采样了,考虑使用aspp来融合不同尺度的感受野

  • 转置卷积完全可以使用上采样+卷积来替代。

  • 能用可分离卷积替代的卷积一定要替代,一般除了第一个卷积,都能替代,替代完后考虑给替代可分离的通道数乘以2,因为可分离卷积的参数和计算量都是线性增长的,这样做依然有速度增益。同样的道理适用于2+1分离卷积。     计算量线性增长,可以控制通道数和depth multiplier,代价小

  • inception或者shortcut connection或者dense connection其实都相当于ensemble模型,考虑结合使用,shortcut connection的使用几乎是无痛的。

  • 感受野也不是越大越好(大感受野意味着更多的语义信息),对于某些low-level的任务而言,比如图像降噪,感受野可能也就局部patch大小,对于low-level而言,下采样的意义更小,尽可能少使用下采样。     对于low-level而言,感受野不用太大,具体指去噪,去马赛克,图像增强,和关键点等任务。

  • 对于检测,anchor层不一定要有三层,同一层按照需求可以设定的aspect ratio和size都是可选的,比如blazeface把所有anchor集中在一层,这个要按照需求设计。bifpn真的有用。

  • batchnorm一定要用,如果你是多机多卡,也可以考虑同步的batchnorm。

  • metric learning(图像比对)一般说来是batchsize更大会性能更好,因为这样能采样到的正负样本对的范围更大。

  • 如果你的一阶段检测模型得不到好的分类结果,考虑两阶段,先检测再分类。

  • 检测模型里的预训练模型是有用的,至少能提升前景背景的检测区分度。

  • 如果你的分类精度不够是因为有两类或者多类太相近造成的,考虑使用其他softmax,比如amsoftmax。     各种魔改的softmax能更好的增大类间差距。

  • 如果你的分类精度不够是样本不均衡造成的,考虑使用focal loss。

  • 不要只看精度,考虑其他metrics,并始终以上线后的可视化效果为最终评判标准。

  • 尽可能使用全卷积网络来做landmark,不要直接用fc回归,回归真的不太稳定。

  • 一定要做图像亮度变换增强,亮度鲁棒性会更好,但是要结合你的数据的亮度分布自适应的调整。

  • 最后,在不改动网络backbone的基础上,多尝试一些新的loss,工程上的代价并不大。

BBuf 调参技巧

先声明,我只是一个入行刚一年的民工,深度自然和广度自然没有akkaze那么强,所以不免有错误或者没有描述清楚之处,有任何问题请联系我。

做工程

  • 卷积是CNN的主流组件。平时有设计一些解决分类,回归任务的网络,里面的卷积核基本都设置为 ,要说原因的话应该去问问VGG16吧。两个 的卷积核堆叠能获得 卷积核的感受野并且参数比 卷积核少,所以是大量推荐使用的。

  • 可以适当使用 卷积。为什么要提这一点呢,这是因为 卷积可以减少计算量,并且 卷积可以在某个方向强调感受野,也就是说假如如果你要对一个长方形形状的目标进行分类,你可以使用 的卷积核搭配 的卷积核对长边方向设定更大的感受野,或许可以获得泛化性能的提升。

  • ACNet结构。这个研究来自于ICCV2019,可以在 卷积的基础上加上 和 的旁路卷积核,最后在推理阶段把三个卷积核都fusion到 卷积核上,在许多经典CV任务上都可以获得大概1个点的提升。大家可以看看这篇文章解读,来自公众号AI科技评论。3*3卷积+1*3卷积+3*1卷积=白给的精度提升

  • 卷积核权重初始化方式。对于weight的初始化我一般都是使用xavier初始化。当然也可以可以尝试何凯明大神的He初始化。对于bias的初始化全置于0。

  • Batch Normalization。这是我一直在使用的技巧,可以很大程度的加快收敛速度。建议搭建自己网络的时候尽量加上BN,如果有BN了全连接层就没必要加Dropout了。

  • 目标检测不能盲目去掉fpn结构。在针对自己的数据调检测任务如yolov3的时候不能盲目砍掉fpn结构,尽管你分析出某个分支的Anchor基本不可能会对你预测的目标起作用,但如果你直接去掉分支很可能会带来漏检。

  • 优化器的选择。我基本都是带动量的SGD。如果优化不动可以试试Adam。

  • 激活函数。可以先用ReLU做一版,如果想再提升精度可以将ReLU改成PReLU试试。我更倾向于直接使用ReLU。

  • batch_size:在不同类型的任务中,batch_size的影响也不同,大家可以看看这篇batch_size对模型性能影响的文章,来自公众号AI开发者。Batch_size是怎么影响模型性能的

  • 初始学习率。一般我是从0.01开始设置,我个人认为这个学习率和学习率衰减策略是相关的,但不宜设置的过大过小,0.01和0.1应该是比较常用的。学习率衰减策略我一般使用multistep方式,step_size的设置要看视你的的max_iter而定。

  • 数据与处理之zero-center。第一次见到这个词是在看cs231n的视频上。主要有2个步骤,第一个是减均值,第二个是除以方差。这样做下来最后的输入值域为[-1,1],一般减均值是最常用的,后面的除以方差用不用可能需要自己动手试验一下看看效果。

  • 残差结构和密集连接。resnet的残差结构和dense net密集连接结构,做工程的时候考虑到速度近乎不可能说完全使用完整版本的resnet和densenet的完整结构,但我们可以自己动手将我们网络的某些模块替换为残差结构和密集连接,替换的时候可以适当降低这俩结构的复杂度,类似于通道数减半,密集连接中只保留一半连接等等。这里需要做一些消融实验来验证改进后的精度。

  • 关于loss。优秀的loss一般是对模型的泛化性能有所改善的,但在用loss的时候往往并不是直接替换loss那么简单,需要仔细思考loss背后的数学原理,要用对地方才可有提升。例如,如何将Focal Loss用到YOLOv3中提升map,大家可以看看这个帖子。https://www.zhihu.com/question/293369755。

  • 找到模型调参时的可靠评价指标。在调整参数训练模型时一定要找到正确的评价指标,没调整一个参数就要记录一下模型的评价指标如准确率,map值,miou值等。并且在调参时建议将调整的参数和在测试集上的精度组合成一个字符串给模型重命令,方便之后快速review。

  • 使用了带backbone的网络,如训练VGG16-SSD建议选择finetune的方式,从头训练不仅费时费力,甚至难以收敛。

  • 在做分割实验的时候我发现用upsamling 加3*3卷积代替反卷积做上采样得到的结果更平滑,并且miou差距不大,所以我认为这两者都是都可以使用的。

  • 一些Anchor-based目标检测算法为了提高精度,都是疯狂给框,ap值确实上去了,但也导致了fp会很多,并且这部分fp没有回归,在nms阶段也可能滤不掉。相比于ap提升而言,工程上减少fp也很重要。Gaussian yolov3的fp相比于yolov3会减少40%,Anchor-free算法暂时接触得不多,就不太了解了。

做比赛

  • 特征提取。VGG16,VGG19,ResNet50,Xception是非常好用的几个特征提取模型。建议使用训练好的经典模型对数据集提取特征向量存储到本地,更方便使用,同时可以大幅度降低显存消耗。

  • ensemble:

    • 将不同的经典网络提取出的特征向量,假设VGG16提取出的特征向量维度是[N,c1],ResNet50提取的特征向量维度是[N,c2],Xception提取的特征向量维度是[N, c3],那么我们可以使用三个系数a、b、c将其组合为形状为[N, a*c1+b*c2+c*c3],其中a、b、c三个参数的取值代表我们使用哪个模型的特征多一些,如果是分类回归比赛,我们在后面接特征处理网络就可以了。可以取不同的a、b、c得到不同的特征,然后对结果做voting,soft-voting等多种处理,一般结果不会太差啦。

    • 可以使用不同的初始化方式训练出模型,然后做ensemble。

    • 可以使用用不同超参数(如学习率,batch_size,优化器)训练出不同模型,然后做ensemble。

后记

希望上面的调参技巧可以帮助你在2020模型涨点,BUG减减,在这里先祝大家新年快乐QAQ。

(完)


SLAM和三维重建中的SFM区别 参考1:Qiang 回答中很多人提SLAM比三维重建多了一个L(location),我想也许可以稍微深入一点。 我们看一下定义: (1)SLAM:同步定位与地图构建;定谁的位?相机的位,相机在机器人身上,就是定机器人的位。建谁的地图?相机经过地方的地图。二者结合,才能确定机器人在某个地图中的具体位置,和这个场景(地图)下的连续运动轨迹。 (2)三维重建(SFM):从运动恢复结构。我觉得更像... 阅读详情

相关推荐

FasterRCNN-pytorch:FasterRCNN在VGG,ResNet和FPN基础中实现

更快的RCNN-pytorch FasterRCNN在VGG,ResNet和FPN基础中实现。 参考: rbg的FasterRCNN代码: : 模型表现 在VOC2017上进行培训在VOC2017上进行测试 骨干 地图 VGG16 0.7061 ResNet101 0.754 训练模型 1.运行前,您需要: 光盘./lib 在make.sh和setup.py中更改gpu_id。 具体来说,您需要在make.sh的第5、12和19行以及setup.py的第143行中修改参数设置,其中包含关键字“ -arch =”取决于您的gpu模型。(选择适当的体系结构,见下表) sh make.sh GPU型号 建筑学 TitanX(麦克斯韦/帕斯卡) sm_52 GTX 960M sm_50 GTX 108(钛) sm_61 网格K520(AWS g2.2xlarge

VGG-论文解读

一  翻译                                Very Deep Convolutional Networks for Large-Scale Image Recognition摘要在这项工作中,我们研究了卷积网络深度在大规模的图像识别环境下对准确性的影响。我们的主要贡献是使用非常小的(3×3)卷积滤波器架构对网络深度的增加进行了全面评估,这表明通过将深度推到16-19...

abc_138的博客 2万+

手把手教你用U盘给海信IP501H刷机:GK6323V100C芯片的4.4.2和9.0固件实战

本文详细介绍了海信IP501H电视盒子基于GK6323V100C芯片的刷机实战指南,涵盖Android 4.4.2强刷和Android 9.0免拆刷机两种方案。从工具准备、短接操作到ADB调试,提供全流程解析和常见问题解决方案,帮助用户安全高效地完成刷机操作。

lemon的博客 1460

从基础综述、论文笔记到工程经验、训练技巧:值得一看的目标检测好文推荐...

点击上方“小白学视觉”,选择加"星标"或“置顶”重磅干货,第一时间送达本文授权转自知乎作者跑者小越,https://zhuanlan.zhihu.com/p/140036646。未经作者许可,不得二次转载。前言依稀记得两年前刚开始接触深度学习和目标检测的时候,惊喜地发现知乎上有很多优质的目标检测相关文章,其中不少甚至是论文作者自己写的,极具食用价值。通过阅读这些文章,不仅加深了我对现有目标检测领域...

小白学视觉 494

立创开源TinyAWG:基于ZYNQ7010的35MHz带宽200MSa/s任意波形发生器设计与实现

本文详细解析了立创开源TinyAWG的设计与实现,这是一款基于ZYNQ7010芯片的低成本高性能任意波形发生器。项目实现了35MHz带宽和200MSa/s采样率,核心采用ARM+FPGA协同架构,FPGA负责高速DDS信号生成,ARM运行Linux并搭载LVGL图形界面。文章涵盖了硬件选型、电路设计、软件逻辑及性能测试,为复刻和学习ZYNQ系统设计、高速DAC应用提供了完整参考。

weixin_42576467的博客 438

VS Code配置MASM32汇编环境:从安装到调试的完整指南

本文提供了一份详尽的指南,教你如何在VS Code中配置MASM32汇编开发环境,实现从安装、环境变量设置到编写、编译和调试32位Windows汇编窗口程序的完整工作流。通过集成现代编辑器的便利性与经典汇编工具链,旨在降低学习门槛,提升底层开发效率。

nn3456的博客 488

【深度学习】Focal Loss 损失函数

1. Focal Loss 介绍 Focal Loss 是一种专门设计用于处理类别不平衡问题的损失函数,特别是在目标检测任务中表现出色。它最早由 Facebook AI Research (FAIR) 提出的,在物体检测中,如 RetinaNet,解决了正负样本严重不平衡的问题。 论文链接:Focal Loss for Dense Object Detection 2. 背景 在许多实际应用中,如目标检测,类别不平衡是一个常见问题。例如,在一个图像中,背景(负样本)通常占据大多数,而目标物体(正样本)很少

技术改变世界 1万+

【C++】C++异常语法、使用、规范、异常安全及异常的优缺点

实际中我们可以可以去继承exception类实现自己的异常类。但是实际中很多公司像上面一样自己定义一套异常继承体系。因为C++标准库设计的不够好用。如果有一个块抛出一个异常,捕获异常的方法会使用 try 和 catch 关键字。try 块中放置可能抛出异常的代码,try 块中的代码被称为保护代码。C++ 提供了一系列标准的异常,定义在 中,我们可以在程序中使用这些标准的异常。异常是一种处理错误的方式,

weixin_51692487的博客 1525

快2020年了,还在为深度学习调参而烦恼吗?

前言我之前回答了一个深度学习调参的问题,整理了从2019年月1到12月的一些经验,没想到这几天竟然火起来了,2天之内涨了快300赞同,看来大家还是比较关注这方面的。然后昨天晚上,旷世的a...

gzq0723的博客 438

【图像识别】基于计算机视觉实现红绿灯识别matlab代码

​ 1 简介 现如今,盲人出行依旧是一大问题.面对无处不在的红绿灯,盲人无法通过眼睛辨识红绿灯的状态,出行受阻.为了解决盲人识别红绿灯的难题,本文提出了一种基于MATLAB进行红绿灯识别的系统.对交通灯的识别主要基于对交通灯的色彩及形状特征.基于信号灯的亮度对其进行分割,提取,并设置了一种自动最优选择阈值的方法.再由HIS彩色空间的H信息识别颜色.最后根据二值化的交通灯的横坐标和纵坐标方向的投影进行形状匹配识别. 2 部分代码 clc clear all close all a=imread('m

qq_59747472的博客 2691

【气候模式降尺度】分位数增量映射(QDM)原理及MATLAB代码实现

简介QDM原理及其MATLAB代码实现

WW、forever的博客 5867

Yolov3 训练自己的数据集 Pytorch 最简单 最少代码 最易调参

目前烦恼 你是不是已经被网上繁琐的 Yolov3 训练自己数据集的教程搞晕了? 你是不是还在纠结 xxx.cfg 文件到底怎样改又或者网上参差不齐的训练代码难以调参? 如果你仅仅是为了追求工程上的快速搭建开发,这里使用基于Pytorch的第三方库 “芷山” (英文:zisan)来实现最快速的Yolov3训练自己数据集。 这里提供下地址: zisan官网 zisan Yolov3训练自己数据集 实现...

晋图的非正常人类胡言乱语集合 4941

手把手教你学Simulink——基于Simulink的CLLC谐振变换器双向对称控制

本文介绍了一种基于Simulink的CLLC谐振变换器双向对称控制方法。针对CLLC拓扑的多阶谐振特性,采用固定频率、50%占空比、仅调节相位差的对称控制策略,实现了宽电压范围调节和全负载ZVS软开关。详细阐述了Simulink建模步骤,包括功率级搭建、相位差生成逻辑和双向切换实现,并通过仿真验证了稳态性能和双向无缝切换能力。该方法解决了传统PFM控制的不足,具有控制简单、效率高、易于工程实现的优势,适用于车载充电和储能系统等双向功率应用场景。

MHD0815的博客 303

“前端+后端+算法”标准是越来越高,算法工程师的技能危机如何破局?

关注、星标公众号,不错过精彩内容来源:info数据清洗、建模、调参优化、部署管理...... 作为开发者,你还在为这些麻烦事儿烦恼么?这个业界神器——Amazon SageMaker 平...

strongerHuang 2177

一层一责,一聚合一包:DDD分层架构下的微服务代码模型、三重边界与服务数据协作

领域模型画得再清楚,落不进代码也是空谈。本文以一个可运行的客户中心微服务为线索,先对比整洁架构、六边形架构与DDD分层架构,指出三者共同守护的那条隔离核心业务的红线;再把DDD分层落成四个一级目录、以聚合为单位分包、一个聚合一个仓储的代码模型,拆解实体、聚合根、值对象、领域事件、领域服务与仓储的设计要点;随后厘清逻辑、物理、代码三重边界,并用检查器实测:干净代码零越界,拆出积分聚合时领域代码无需改动;注入九处越界后,必须先重构才能拆分。最后梳理服务调用三场景与PO、DO、DTO、VO的协作。

曾经“等你生日那天”都遥远得像未来,如今却可欢愉的挥手说“下个十年见” 177万+

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

DETR:基于Transformer的端到端目标检测,告别Anchor与NMS调参

目标检测是计算机视觉的核心任务之一,旨在识别图像中物体的类别与位置。传统方法如YOLO依赖手工设计的Anchor和NMS后处理,流程复杂且需大量调参。Transformer架构通过自注意力机制实现全局上下文建模,为视觉任务带来了革命性突破。DETR首次将Transformer成功应用于目标检测,将检测任务建模为集合预测问题,利用编码器-解码器结构直接输出预测框,实现了真正的端到端流程。这一设计摒弃了Anchor和NMS,简化了模型架构,提升了模型设计的统一性与可解释性。在工程实践中,DETR及其变种(如De

weixin_34130389的博客 364

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

卷积神经网络学习路线(十五) | NIPS 2017 Dual Path Network(ResNeXt+DensetNet结合版)

前言 前面已经讲了ResNet,ResNeXt,以及DenseNet,讲解的原文都可以在文后找到。今天要介绍的DPN(双路网络)

I good vegetable a! 898

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

MMDetectionV2 + Colab 超详细教程及踩坑实录

为了参加讯飞的X光目标检测竞赛,我们组研究了目前通用的几种目标检测框架。最后测试出来MMDetectionV2的易用性和训练速度都比较出色。这篇文章是我结合MMDetection官方的Colab Tutorial以及自己的探索整理出来的超详细攻略,欢迎提问。

Mochadrone的博客 4567

神经网络优化思路

一,通用优化技巧 二,目标检测优化 2.1 如何更好的检测小目标 常用的方法有: 第一种:图像金字塔(不常用),将输入图片放缩成不同比例,将预测结果融合得到最终输出 第二种:特征融合,融合 Encoder阶段的多尺度特征和Decoder上采样特征以恢复空间分辨率 第三种:在原始模型的顶端叠加额外的模块,以捕捉像素间长距离信息。例如Dense CRF,或者叠加一些其他的...

lqql2012的博客 3001

单阶段实例分割之一 EmbedMask: Embedding Coupling for One-stage Instance Segmentation

最近一两年,单阶段实例分割的工作出现的越来越多,有基于检测的(先检测后预测mask,检测框架有anchor-based也有anchor-free的),也有直接从图片像素到mask的。而自从anchor-free的单阶段目标检测框架FCOS出来以后,基于该目标检测框架的单阶段实例分割也出现了好几个不错的工作。单阶段目标检测和实例分割的框架一般会显得简洁有效,对其他视觉问题也会有一定的启发意义。自己后...

gaow14的博客 2118

KART-RERANK实战:使用Typora管理模型微调实验笔记

本文介绍了如何利用星图GPU平台自动化部署🏎️ KART-RERANK: 繁荣山丘相关性大奖赛镜像,以高效管理模型微调实验笔记。该镜像主要用于搜索结果重排序模型的微调与实验管理,通过Typora工具,用户能系统记录实验参数、结果与分析,提升研发效率与知识沉淀。

weixin_42451850的博客 88

自蒸馏技术解析:让模型自我正则化以提升泛化能力

在深度学习模型训练中,过拟合是常见挑战,传统方法如数据增强和Dropout虽有效,但知识蒸馏技术通过软化概率分布传递“暗知识”,能进一步提升模型泛化能力。自蒸馏作为知识蒸馏的演进形式,无需额外教师模型,仅利用模型自身历史预测作为正则化信号,通过KL散度损失约束当前预测,实现平滑性和一致性。其技术价值在于以几乎零推理成本提升模型校准度和噪声鲁棒性,适用于移动端部署等资源受限场景。本文聚焦自蒸馏的原理与PyTorch实现,详解温度系数、记忆库设计等关键细节,帮助读者掌握这一高效正则化工具。

weixin_30907935的博客 450

Python机器学习:从零基础到项目实战

当您翻开此书,您正踏入一场数据与智慧的修行。机器学习,并非冰冷的符码,而是机器模拟人类洞察世界的法门。本书将带您,以Python为舟,泛游于算法之海。我们不只传授“术”,更探求其后的“道”——从数据的生灭流转中观照规律,于模型的迭代演进里体悟得失。愿您合上书卷时,收获的不仅是驾驭数据的技能,更有一双洞悉复杂、化繁为简的“智慧之眼”。现在,让我们一同启程。

YunWisdom 974

【目标检测】(8) ASPP改进加强特征提取模块,附Tensorflow完整代码

各位同学好,最近想改进一下YOLOV4的SPP加强特征提取模块,看到很多论文中都使用语义分割中的ASPP模块来改进,今天用Tensorflow复现一下代码。 YOLOV4的主干网络代码可见我上一篇文章:https://blog.youkuaiyun.com/dgvv4/article/details/123818580 将本节的ASPP代码替换原来的SPP模块代码即可 1. 方法介绍 YOLOv4 中使用 SPP 模块提取不同感受野的信息,但没有充分体现全局信息和局部信息的语义关系。本文设计的 ASPP 引入不

博观而约取,厚积而薄发 1万+

图像分割的笔记

学习DeepLabV3+的笔记

jerry18863的博客 3904
上一篇: 2020年里5个必须具备的数据科学技能
下一篇: 没有点真的大项目工程经验,你真以为能进大厂的算法岗?
Wang_AI
博客等级 码龄12年 997粉丝 162原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值