夹猪逃的博客

Yolov3详解笔记及Pytorch代码预测部分网络结构backbone：Darknet-53output预测结果的解码训练部分计算loss所需参数pred是什么target是什么loss的计算过程预测部分网络结构DBL：图中左下角所示，也就是代码中的Darknetconv2d_BN_leaky，是yolov3基本组件。就是卷积+BN+leaky relu。对于v3来说，BN和leaky relu和卷积组成不可分离部分，共同组成最小组件。resn：n代表数字，表示这个res_block含有多少个r

卷积1. 2D卷积单通道版本多通道版本2. 3D卷积3. 1x1卷积作用应用4. 卷积算法5. 可分离卷积空间可分离卷积深度可分离卷积1. 2D卷积卷积的目的是从输入中提取有用的特征。在图像处理中，卷积可以选择多种不同的滤波器。每种类型的过滤器都有助于从输入图像中提取不同的方面或特征，例如横向/纵向/对角线边缘。同样，在卷积神经网络中，通过卷积，利用训练过程中自动学习权值的滤波器来提取不同的特征。然后，所有这些提取的特征被“组合”以做出决定。卷积有几个优点，如权值共享和平移不变性。卷积还考虑了像素的空

（2+1）D 模型框架结构笔记SpatioTemporalConv模块结构SpatioTemporalResBlock模块结构SpatioTemporalResLayer模块结构2Plus1DNetSpatioTemporalConv模块结构SpatioTemporalConv的输入参数:(in_channels,out_channels,kernel_size,stride=1,padding=0, bias=False,first_conv=False)Args:in_channels (int

注意力模块通道（时间）注意力模块空间注意力模块通道（时间）注意力模块为了汇总空间特征，作者采用了全局平均池化和最大池化两种方式来分别利用不同的信息。输入是一个 H×W×C 的特征 F，我们先分别进行一个空间的全局平均池化和最大池化得到两个 1×1×C 的通道描述。接着，再将它们分别送入一个两层的神经网络，第一层神经元个数为 C/r，激活函数为 Relu，第二层神经元个数为 C。这个两层的神经网络是共享的。然后，再将得到的两个特征相加后经过一个 Sigmoid 激活函数得到权重系数 Mc。最

Batch Normalization1. “Internal Covariate Shift”问题2. BatchNorm的本质思想1）函数图像说明2）算法3）引入参数恢复表达能力4）公式3. 测试阶段如何使用Batch Normalization？4. BatchNorm的优势机器学习有个很重要的假设：IID独立同分布建设，就是假设训练数据和测试数据是满足相同分布的，这就是通过训练数据获得的模型能够在测试集获得很好效果的一个基本保障。BatchNorm的作用是什么呢？BatchNorm就是在深度神经