qq_42617455的博客

论文地址（CVPR2020）：https://arxiv.org/abs/1911.11907pytorch代码：https://github.com/huawei-noah/ghostnet介绍在深度神经网络的特征映射中，丰富甚至冗余的信息往往保证了对输入数据的全面理解。例如，图1显示了由ResNet-50第一个残差块生成的输入图像的一些特征映射，有一些相似的特征或许可以通过线性变化得到提出了一种新的Ghost模块，可以用较少的参数生成更多的特征实现常规卷积...

1、MobileNetV1论文地址：https://arxiv.org/pdf/1704.04861.pdf这篇论文是谷歌在2017年提出了，专注于移动端或者嵌入式设备中的轻量级CNN网络。该论文最大的创新点是，提出了深度可分离卷积（depthwise separable convolution）设特征图尺寸为W*H，卷积核大小为k*k，输入通道数为c，有n个卷积核传统的卷积计算量为W*H*k*k*c*(https://www.jianshu.com/p/2a0f3a4a9d1d)深度可

一、相关介绍CNN处理的图像或者视频数据中像素点是排列整齐的矩阵（Euclidean Structure），如图2。但是如社交网络、信息网络中存在一些Non Euclidean Structure的数据，如图3.图1 图像矩阵示意图图2 社交网络拓扑示意图所以，GCN中的Graph指的是数学中的用顶点和边建立相应关系的拓扑图。产生的原因如下：CNN无法处理Non Euclidean Structure的数据（离散卷积无法在这样的数据上保持平移不变性），也就是每个拓扑图中每个顶点的相邻顶点数目都

论文地址：https://arxiv.org/abs/1409.1556一、网络结构和配置主要贡献是使用一个带有非常小(3x3)卷积滤波器的架构对增加深度的网络进行了彻底的评估，这表明通过将深度推进到16 - 19个权重层，可以实现对先前art配置的显著改进1、结构(1)在训练中，我们的是络一个固定大小的输入224×224 RGB图像。我们所做的唯一预处理是从每个像素中减去在训练集上计算的平均RGB值。(2)图像通过卷积层的堆栈传递，其中我们使用接受域很小的过滤器:3x3(这是捕捉左/右、上/下、

下图表示一个SE 模块。主要包含Squeeze和Excitation两部分。W，H表示特征图宽，高。C表示通道数，输入特征图大小为W×H×C。1、压缩（Squeeze）第一步是压缩（Squeeze）操作，如下图所示这个操作就是一个全局平均池化（global average pooling）。经过压缩操作后特征图被压缩为1×1×C向量。2、激励（Excitation）接下来就是激励（Excitation）操作，如下图所示由两个全连接层组成，其中SERatio是一个缩放参数，这个参数的目的是为

一、Inception V1Inception Module是GoogLeNet的核心组成单元。结构如下图：Inception Module基本组成结构有四个成分。11卷积，33卷积，55卷积，33最大池化。最后对四个成分运算结果进行通道上组合。这就是Inception Module的核心思想。通过多个卷积核提取图像不同尺度的信息，最后进行融合，可以得到图像更好的表征。1x1的卷积核作用1x1卷积的主要目的是为了减少维度，还用于修正线性激活（ReLU）。比如，上一层的输出为100x100x128，

RGB最常见的面向硬件设备的彩色模型，它是人的视觉系统密切相连的模型，根据人眼结构，所有的颜色都可以看做是3种基本颜色——红r、绿g、蓝b的不同比例的组合。HSVHSV颜色空间是孟塞尔彩色空间的简化形式，是一种基于感知的颜色模型。它将彩色信号分为3种属性：色调（Hue,H），饱和度（Saturation,S），亮度（Value,V）。色调表示从一个物体反射过来的或透过物体的光波长，也就是说，色调是由颜色的名称来辨别的，如红、黄、蓝；亮度是颜色的明暗程度；饱和度是颜色的深浅，如深红、浅红。 HSV颜

Maize Leaf Disease Identification Based on Feature Enhancement and DMS-Robust Alexnet论文地址：https://ieeexplore.ieee.org/document/9044386提出了基于骨干Alexnet体系结构的DMS-Robust Alexnet用于玉米叶片图像识别和分类的方法，结合了膨胀卷积和多尺度卷积以提高特征提取的能力。识别准确率高达98.62％。1、图像增强算法WT-DIR首先，将玉米病害图像从R