CNN中卷积神经网络的技巧trick总结（图像识别/目标检测/语义分割）

最新推荐文章于 2025-02-17 21:26:19 发布

Kivee123

最新推荐文章于 2025-02-17 21:26:19 发布

阅读量4.7k

点赞数 4

文章标签：卷积神经网络深度学习技巧神经网络tricks

本文链接：https://blog.youkuaiyun.com/qq_37014750/article/details/85159176

版权

本文总结了卷积神经网络（CNN）在图像识别、目标检测和语义分割任务中的优化技巧，包括预处理策略、参数初始化、训练过程的优化，如批量训练、学习率调整、模型结构改进等，还探讨了这些技巧在迁移学习中的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

CNN图像分类的tricks

原文

Baseline：

预处理：

随机抽取一张图片，解码成32位浮点型的[0,255]的像素值形式
随机在原图上裁剪一片比例在[3/4, 4/3]，面积在[8%, 100%]的矩形区域，然后resize到224x224
按0.5的概率对上一步的图片水平翻转
在[0.6, 1.4]之间均匀采样系数用于缩放色调、饱和度和亮度(HSB)
按正态分布N(0, 0.1)采样系数，用于添加一个PCA噪声
在图片的RGB通道上分别减去123.68，116.779，103.939然后除以58.393，57.12，57.375进行归一化。

验证：
保持验证图片的比例不变，将短边缩放到256，然后在其正中裁剪一块224x224的区域，并按和预处理中一样进行归一化。

参数初始化：

卷积层和全连接层的参数都是用Xavier算法初始化，使用中会将参数在[-a,a]之间均匀随机选取，a又由输入输出通道数决定a=sqrt(6/(in_channels+out_channels))。所有的bias都初始化为0。BN层的γ初始化为全1向量，β初始化为全0向量。

训练过程：

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Kivee123

关注关注

4
点赞
踩
15

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

计算机视觉竞赛技巧总结（二）：图像分割基础篇

专注大数据与人工智能技术分享，欢迎私信加群互相学习！

03-25

7537

本系列主要面向计算机视觉目标检测、图像分割及OCR等领域进行竞赛总结，本文为第二篇，主要介绍图像分割领域知识，分别从概述、开源框架、模型选择、常用Tricks等方面展开介绍，主要面向深度学习CV方向同学学习，希望大家能够多多交流，欢迎订阅本专栏，如有错误请大家在评论区指正，如有侵权联系删除。

目标检测YOLO实战应用案例100讲-基于深度学习的水下图像增强及目标检测算法研究与应用（中）

qq_36130719的博客

04-28

928

和基于深度学习的方法CycleGAN[64]，UGAN[36]，Water-Net[42]，UWGAN[38]（underwaterGAN，水下GAN）和FUnIE-GAN[89]。图4-9为典型的水下色偏的图像，大多数增强方法对其颜色校正的效果有限。比较方法包括传统方法FE[12]，RB[16]，RCP[26]，UDCP[23]，IBLA[28]，Uhaze-line[30]，方法，图像复原方法：RCP[26]，UDCP[23]，IBLA[28]，和Uhaze-line[30]方法，以及基于。

参与评论您还未登录，请先登录后发表或查看评论

【Kaggle竞赛猫狗分类】1.3 卷积神经网络中的Tricks（使用keras为例）

jianhunhenbaqi的博客

07-08

1043

Kaggle竞赛的猫狗分类：https://www.kaggle.com/c/dogs-vs-cats/ -展示如何使用卷积神经网络CNN的Tricks如Dropout、数据增强、预训练、Ensemble、多任务学习，来提高CNN的泛化能力。 CNN 0.下载和解压猫狗图片数据集猫狗分类数据集下载: https://www.kaggle.com/c/dogs-vs-cats/data 下载好后解压到相应文件夹。 1.加载和处理猫狗图片数据集 1.1加载数据集（划分为猫狗两个文件夹） from ker

PVAnet论文笔记与CNN常用结构和trick小结

m0_37731749的博客

04-23

813

《PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection》想和大家分享一篇早一点的论文，主要目的有两点。一是做一个学习笔记备份，以防我的OneNote那天崩了。二是这篇文章运用了先前许多论文的trick和优点，可以通过这篇文章回顾一下CNN的进化史。论文地址：https://arxiv.org/abs/...

深度学习实战——卷积神经网络CNN在图片识别中的应用以及原理

最新发布

riemann_的博客

02-17

1282

随着人工智能和深度学习技术的迅猛发展，卷积神经网络（Convolutional Neural Networks，CNN）已经成为计算机视觉领域中最为重要的工具之一。无论是在图像分类、目标检测，还是在人脸识别、自动驾驶等应用中，CNN都展现出了其卓越的表现和广泛的应用前景。本文旨在通过深入的实战案例，带领读者一步步理解并掌握CNN的核心原理及其在图片识别中的应用。我们将通过实际操作和代码演示，帮助读者将理论与实践相结合，全面提升在深度学习方向上的技能，为解决复杂的图像处理问题打下坚实的基础。

基于cifar数据集的卷积神经网络优化trick的表现

一只小菜鸟的博客

03-31

339

网上开源代码如下 # CIFAR-10数据集训练 import sys sys.path.append(&quot;models/tutorials/image/cifar10&quot;) # 下载和读取CIFAR-10的类 import cifar10,cifar10_input import tensorflow as tf import numpy as np import time # 训练轮数 max_...

深度学习 CNN trick 合集

zandaoguang的博客

06-14

412

来自 | 知乎作者|sticky链接 |https://zhuanlan.zhihu.com/p/137940586编辑| 深度学习这件小事公众号本文仅作学术交流，如有侵权，...

CNN做遥感图像目标识别完整代码

08-17

提供了一套完整的方案，包括图像处理和图像识别，可以拿来尝试并fine tune一下

卷积神经网络——实例分割之Mask R-CNN论文翻译

itlilyer的博客

09-29

4838

论文链接 https://arxiv.org/abs/1703.06870 相关论文翻译链接 R-CNN：https://blog.youkuaiyun.com/itlilyer/article/details/107190083 Fast R-CNN：https://blog.youkuaiyun.com/itlilyer/article/details/107764472 Faster R-CNN：https://blog.youkuaiyun.com/itlilyer/article/details/108049850 Mask R-C

【深度学习】语义分割-综述(卷积)

zhe470719的博客

05-07

3503

这里写目录标题0.笔记参考1. 目的2. 困难点3. 数据集及评价指标3.1数据集3.2评价指标4.实现架构5. 模型发展5.1基于全卷积的对称语义分割模型5.1.1FCN（2014/11/14）5.1.1.1具体过程5.1.1.2 CNN 与 FCN5.1.1.3全连接层 -> 成卷积层5.1.1.4 upsampling5.1.1.5局限5.1.2 SegNet（2015/11/2）5.1.2.1 结构5.1.2.2 decoder变体SegNet-Basic5.1.2.3 对比SegNet和FC

基于深度卷积神经网络的目标检测研究综述

Dr4gonfly的博客

09-28

1487

深度卷积神经网络概述　卷积神经网络是一种常用的深度学习网络框架。１９５９年，Ｈｕｂｅｌ＆Ｗｉｅｓｅｌ［１３］发现视觉系统中的可视皮层处理信息是分级处理的。20世纪90年代，ＬｅＣｕｎ等人［１４］建立了ＣＮＮ的现代结构，并对其进行了改进。他们设计了一种可以对手写数字进行分类的ＬｅＮｅｔ－５网络。与其他神经网络相同，也能使用反向传播算法［１５］对数据进行训练。 卷积神经网络可以获取原始图像的有效表示，这使得它能够通过很少的预处理直接从原始像素识别视觉之上的规

一文概览卷积神经网络中的类别不均衡问题

机器之心

11-01

5089

该论文的作者以两种典型的不均衡为例，系统地研究并比较了解决 CNN 中类别不均衡问题的各种方法，在三个常用数据集MINIST、CIFAR-10 和 ImageNet上用统一标准进行实验，得出了综合性的结果，富有参考和指导意义。论文链接：https://arxiv.org/abs/1710.05381 摘要：在这篇论文中，我们系统地研究了卷积神经网络中类别不均衡会给分类性能

用CNN实现全景图像语义分割！

Datawhale

09-16

1528

↑↑↑关注后"星标"Datawhale每日干货&每月组队学习，不错过Datawhale干货作者：张强，Datawhale成员相信许多读者体验过b站上的全景视频，如果还没有，...

CNN-语义分割Head及自动驾驶应用

yly的博客

08-25

1371

一、监督中间过程使训练的权重分布更符合物理意义->提高准确率深网络参数量大于系统的自由度，或多或少地都存在过拟合，因此不同的训练方式可以获得不同的权重分布，而好的权重分布可以提升准确率。那么什么是好的权重分布？对于单纯的端到端的训练，得到的中间层输出的物理意义不强，加强中间层输出的物理意义就可以得到更合理的权重分布。基于这种思想，有两种方法可以加强中间层输出的物理意义。 1、采用先训练...

【深度学习】语义分割：论文阅读：(CVPR 2022) MPViT（CNN+Transformer）：用于密集预测的多路径视觉Transformer

zhe470719的博客

05-31

9922

这里写目录标题0详情1摘要2 主要工作3 网络结构3.1 Conv-stem3.2 Multi-Scale Patch Embedding3.3 Multi-path Transformer3.3.1 多路径Transformer和局部特征卷积CoaT的因素分解自注意深度可分离卷积3.3.2Global-to-Local Feature Interaction4 实验- Semantic segmentation5总结 0详情论文：MPViT : Multi-Path Vision Transformer

【Python机器学习】卷积神经网络（CNN）——语义理解

weixin_39407597的博客

09-02

818

目前，自然语言处理领域中两个最重要的模型是卷积神经网络和循环神经网络，以及它们的各种变体。

Tensorflow实例：实现进阶的卷积神经网络

蚊子爱牛牛的博客

11-17

2392

在上一篇博客，我们实现了一个简单的卷积神经网络，没有复杂的Trick。接下来，我们将使用CIFAR-10数据集进行训练。

深度卷积神经网络（CNN tricks）调参技巧（一）学习率调节

踏雪飞鸿的博客

12-22

2万+

做卷积神经网路方面的研究，有时会遇到一些苦恼。大抵是： 1、复现别人的网络，得不到相同的表现。 2、自己的网络调参，结果调不上去。所以有些大佬就总结了一些调参的tricks,在这里学习记录一下，然后加上一些自己的理解。影像神经网络效果的因素可能有但不限于以下几点：学习率调节优化器初始化方法标签平滑归一化学习率好的学习率可以让调参过程事半功倍，那么什么是好的学习率呢， sou...

CNN浅析和历年ImageNet冠军模型解析