weixin_40641178的博客

原创 激活函数ReLU和SiLU的区别

相对于ReLU函数，SiLU函数在接近零时具有更平滑的曲线，并且由于其使用了sigmoid函数，可以使网络的输出范围在0和1之间。Leaky ReLU的优点在于可以避免出现“神经元死亡”的情况，即在训练过程中某些神经元的输出始终为0，从而导致无法更新其权重，而Leaky ReLU可以在一定程度上解决这个问题。提高模型的鲁棒性：由于FReLU对输入进行了展平操作，因此可以提高模型对输入的鲁棒性，从而减少过拟合的风险。ReLU和SiLU都是常用的激活函数，具有各自的优点和适用范围，需要根据具体情况进行选择。

原创 U-Net网络模型改进（添加通道与空间注意力机制）---亲测有效，指标提升

这一段时间做项目用到了模型，但是原始的U-Net网络还有很大的改良空间，在卷积下采样的过程中加入了通道注意力和空间注意力网络模型结合之后代码。

原创 DeepLab V1-V3的结构和关系

1、增加CRF、通过设置较大的dilation增加感受野、以及多尺度输入可增加模型的效果；2、所以根据上面所做的增加模型效果的实验，就诞生了DeepLab V2。

原创 Mask RCNN网络结构

分类误差和检测误差在farster R-CNN当中已经介绍过了，参看前面文章。分割误差为新的东西，对于每一个ROI，mask分支定义一个K*m*2维的矩阵表示K个不同的分类对于每一个m*m的区域，对于每一个类都有一个。对于每一个像素，都是用sigmod函数进行求相对熵，得到平均相对熵误差Lmask。对于每一个ROI，如果检测得到ROI属于哪一个分类，就只使用哪一个分支的相对熵误差作为误差值进行计算。

原创 YOLOV5损失函数

YOLOv8旋转目标框检测任务主要由关键点相关的回归损失和obj损失和通过继承了目标检测任务的分类损失，和矩形框回归损失（iou loss，DFL loss）组成。YOLOv8关键点检测任务主要由关键点相关的回归损失和obj损失和通过继承了目标检测任务的分类损失，和矩形框回归损失（iou loss，DFL loss）组成。YOLOv8关键点检测任务主要由分割相关的损失和通过继承了目标检测任务的分类损失，和矩形框回归损失（iou loss，DFL loss）组成。

原创 YOLOv5【网络结构】

YOLOv5简介源码地址：https://github.com/ultralytics/yolov5YOLOv5算法是目前应用最广泛的目标检测算法之一，它基于深度学习技术，在卷积神经网络的基础上加入了特征金字塔网络和SPP结构等模块，从而实现了高精度和快速检测速度的平衡。基本网络结构如下：YOLOv5算法创新点：Anchor-free设计：传统目标检测算法中需要先确定物体位置并给出候选框，但yolov5采用了无锚设计方式，直接预测物体的位置和大小，从而避免了候选框对检测性能的影响。

原创 YOLOv8_det/seg/pose/obb网络结构

yolov8-pose的输出中有17个人体关键点在胸膛处计算出一个中心点，腰部计算出一个中心点，连线，做一个直角三角形，求角的大小。当角大于60度，或者胸膛中心点y坐标小于腰部中心点y坐标，或检测框宽高比大于5/3,则判定为跌倒。

原创 Unet网络架构讲解

原创 让mmpose开口说话

以回归方法生成归一化的坐标值为例，在配置文件中，我们通过如下方式定义编解码器：在人体姿态识别这类的任务中，需要生成一个高分辨率的 heatmap 来进行关键点检测。HRNet的创新点：将高低分辨率之间的链接由串联改为并联。在整个网络结构中都保持了高分辨率的表征 (最上边那个通路)。在高低分辨率中引入了交互来提高模型性能。在模型的整个过程中，保存高分辨率表征的同时使用让不同分辨率的 feature map 进行特征交互。