ctu_sue的博客

本文基于之前的图像分类结构，重构了一部分分类网络，以及根据这些包含的网络结构重构训练脚本，测试脚本无太多变化就不更新了。主要不同：训练方式采用循环方式，不使用chainer的API。本次结构主要围绕自定义训练为目标，自己写训练的循环代码。缺点是比较麻烦。优点是比较自由的编写。

本文基于chainer实现RepVGG网络结构，并基于torch的结构方式构建chainer版的，并计算RepVGG的参数量。

本文基于chainer实现ShuffleNet_V2网络结构，并基于torch的结构方式构建chainer版的，并计算ShuffleNet_V2的参数量。

本文基于chainer实现SqueezeNet网络结构，并基于torch的结构方式构建chainer版的，并计算SqueezeNet的参数量。

本文基于chainer实现ResNet网络结构，并基于torch的结构方式构建chainer版的，并计算ResNet的参数量。

本文基于chainer实现ShuffleNet_V1网络结构，并基于torch的结构方式构建chainer版的，并计算ShuffleNet_V1的参数量。

本文基于chainer实现RepVGG_Plus网络结构，并基于torch的结构方式构建chainer版的，并计算RepVGG_Plus的参数量。

本文基于chainer实现RegNet网络结构，并基于torch的结构方式构建chainer版的，并计算RegNet的参数量。

本文基于chainer实现MobileNetV3网络结构，并基于torch的结构方式构建chainer版的，并计算MobileNetV3的参数量。本次基于chainer 实现了Hardsigmoid、Hardswish、Relu6、Relu等激活函数。

本文基于chainer实现MobileNetV2网络结构，并基于torch的结构方式构建chainer版的，并计算MobileNetV2的参数量。

本文基于chainer实现MobileNet_V1网络结构，并基于torch的结构方式构建chainer版的，并计算MobileNet_V1的参数量。

本文基于chainer实现MnasNet网络结构，并基于torch的结构方式构建chainer版的，并计算MnasNet的参数量。

本文基于chainer实现GoogleNet网络结构，并基于torch的结构方式构建chainer版的，并计算GoogleNet的参数量。

本文基于chainer实现EfficientnetV2网络结构，并基于torch的结构方式构建chainer版的，并计算EfficientnetV2的参数量。本次模型会基于chainer实现SiLU激活函数及drop_connect(droppath)

本文基于chainer实现EfficientNet_V1网络结构，并基于torch的结构方式构建chainer版的，并计算EfficientNet_V1的参数量。

本文基于chainer实现DenseNet网络结构，并基于torch的结构方式构建chainer版的，并计算DenseNet的参数量。

本文基于chainer实现AlexNet网络结构，并基于torch的结构方式构建chainer版的，并计算AlexNet的参数量。

本文以标准的chainer模型构建的方式构建lenet结构，代码阅读性强。调用方式。

使用chainer重构VGG模型，可读性更高调用方式和前边的模型一样的调用方法。

本文实现基于chainer实现MaskRCNN示例分割算法。实例分割是目标检测和语义分割的结合，在图像中将目标检测出来（目标检测），然后对每个像素打上标签（语义分割）

本文主要基于UNet的网络结构搭建语义分割框架链接。

本文主要基于SegNet的网络结构搭建语义分割框架链接。

本文主要基于LinkNet的网络结构搭建语义分割框架链接。

本文主要基于deepLab的网络结构搭建语义分割框架链接。

本文主要基于pspNet的网络结构搭建语义分割框架链接。

本文主要类似图像分类一样，先做一个整体的语义分割的框架，然后只需要修改模型结构即可本文章主要是基于chainer的语义分割的基本框架，下边的主要是开始对各个模型如何在此框架中应用起来并把结果展示出来。有问题可以私聊。

通俗的讲就是在一张图像里边找感兴趣的物体，并且标出物体在图像上的位置，在后续很多应用中，都需要目标检测做初步识别结构后做处理，比如目标跟踪，检测数量，检测有无等。LightHeadRCNN主要是基于Faster RCNN 和R-FCN做的改进，速度都有很大的提升。Faster R-CNN和R-FCN在RoI warping之前和之后进行密集计算。Faster R-CNN有2个全连接层，而R-FCN产生大的score maps。这些模型由于heavy-head的设计导致速度变慢。

通俗的讲就是在一张图像里边找感兴趣的物体，并且标出物体在图像上的位置，在后续很多应用中，都需要目标检测做初步识别结构后做处理，比如目标跟踪，检测数量，检测有无等。本文章主要是基于chainer的目标检测FasterRCNN的基本实现思路和步骤。

本文简述基于chainer实现centerNet目标检测算法。

通俗的讲就是在一张图像里边找感兴趣的物体，并且标出物体在图像上的位置，在后续很多应用中，都需要目标检测做初步识别结构后做处理，比如目标跟踪，检测数量，检测有无等。本次YoloV3是实验模型，后续没有更新，只写了训练代码。本文章主要是基于chainer的目标检测YoloV3的基本实现思路和步骤。

本文与resnet网络结构类似，这里主要是实现resnext的网络结构本次使用ResNext网络结构以及对应他的一些不同深度的结构进行测试，效果对比，调用只需要在图像分类框架篇中替换model即可。

在文章与之前编写的图像分类框架构建组合使用，这里只讲述基于chainer的模型构建，本次讲解如何使用chainer构建ResNet网络结构以及对应的其他版本：resnet50，resnet101，resnet152。并且考虑到有些电脑的显存不高，所以使用alpha降低通道数，但是效果经过测试后还是比较理想的。本次使用ResNet网络结构以及对应他的一些不同深度的结构进行测试，效果对比，调用只需要在图像分类框架篇中替换model即可。

目标检测检测人+deepsort跟踪人，可以跟踪的不是人，只需要修改跟踪目标即可。

本文主要是对人体姿态检测，可以检测摔倒、人体动作，以及对其后续的处理。

首先对输入图像进行手部姿势检测，包括关节点

本文主要是对人脸关键点检测。

chainer的目标检测SSD的基本实现思路和步骤

在文章与之前编写的图像分类框架构建组合使用，这里只讲述基于chainer的模型构建，本次讲解如何使用chainer构建MobileNetV1网络结构，以及对应的mobilenetv1_0.25,mobilenetv1_0.5,mobilenetv1_0.75,mobilenetv1_1.0等结构本次使用MobilenetV1网络结构以及对应他的一些不同深度的结构进行测试，效果对比，调用只需要在图像分类框架篇中替换model即可。

在文章与之前编写的图像分类框架构建组合使用，这里只讲述基于chainer的模型构建，本次讲解如何使用chainer构建VGG网络结构以及对应的其他版本：vgg11，vgg13，vgg16，vgg19。并且考虑到有些电脑的显存不高，所以使用alpha降低通道数，但是效果经过测试后还是比较理想的。本次使用VGG网络结构以及对应他的一些不同深度的结构进行测试，效果对比，调用只需要在图像分类框架篇中替换model即可。

本文章主要是基于chainer的图像分类的基本框架，下边的主要是开始对各个模型如何再次框架中应用起来并把结果展示出来。