tgj2094942564的博客

DeepLab v3+ 是DeepLab语义分割系列网络的最新作，其前作有 DeepLab v1，v2, v3, 在最新作中，Liang-Chieh Chen等人通过encoder-decoder进行多尺度信息的融合，同时保留了原来的空洞卷积和ASSP层， 其骨干网络使用了Xception模型，提高了语义分割的健壮性和运行速率。其在Pascal VOC上达到了 89.0% 的mIoU，在Cityscape上也取得了 82.1%的好成绩，下图展示了DeepLab v3+的基本结构：其实在DCNN中主要是做

绪论随着卷积神经网络部署在终端的需求越来越强烈，很多研究者们开始研究如何降低神经网络的计算量。一种方法是在一个已经训练好的网络基础上做一些裁剪和量化，比如模型剪枝、低比特量化、知识蒸馏；另外一种方法是设计高效的神经网络架构，比如MobileNetv1-v3系列、ShuffleNet等等。特征冗余性是卷积神经网络的重要特性之一，一些轻量化网络的工作恰恰是利用特征的冗余性，通过裁掉部分冗余特征达到模型轻量化的效果。与其他工作不同，这篇文章并没有刻意裁剪冗余的特征，而是用一种比传统卷积层更轻量化的方法去生成

本文章的语义分割的backbone采用了MobileNetv1，以及MobileNetv2mobileNetv1注:dw,表示深度可分离卷积， s表示步长，Avg Pool表示平均池化实现的代码如下import torchimport torch.nn as nnimport torchvision.transforms as Transformsimport torch.nn.functional as Fimport mathINPUT_SIZE = 224class _con

GoogLenetGoogLenet网络模型主要采用一系列Inception模型构成，本文只罗列了其中一种import torchimport torch.nn as nnimport torch.nn.functional as Fclass Inception(nn.Module): def __init__(self, in_c, c1, c2, c3, c4): ''' in_c表示输入数据的通道 c1, c2,

在学习CS231计算机视觉的过程中了解到了alexnet模型、GoogLenet以及resnet的相关内容，故查看了相关的文献和博客其中在Alexnet模型主要运用了以下五个方法：使用了ReLu激活函数加速收敛使用GPU并行，加速训练，也为之后的分组卷积理论奠定基础提出了局部响应归一化（LRN）增加了泛化特性使用交叠池化防止过拟合一般的在池化操作用，kernel-size和stride是相等的，但是交叠池化指的是stride < kernel-size提出DropOutAlex

生成tensorboard的正确方式import tensorflow as tf#清除默认图形堆栈并重置全局默认图形tf.reset_default_graph()#存放tensorboard文件的路径logdir = r'D:/QQPCmgr/Desktop/tensorBoard'input1 = tf.constant([1.0, 2.0, 3.0], name='inp...

验证码的识别原理类似于手写数字mnist数据集的识别，每张验证码上面存在四位字母A-Z, 在这里我可以用数字1-26表示，而1-26又可以转化为(比如3为[0, 0, 1, …, 0, 0])类似与手写数字识别一样的形式， 而验证码上面是由4位大写英文字母组成，在这里我们可以采用4 x 26的矩阵表示。‘’'4.1 卷积神经网络1）与传统的神经网络对比输入层，隐藏层，（卷积层，激活层， 池化...