weixin_41521681的博客

转载自：https://blog.youkuaiyun.com/chenyuping333/article/details/82531047?utm_source=blogxgwz60、标准卷积默认你已经对卷积有一定的了解，此处不对标准卷积细讲。举个例子，假设有一个3×3大小的卷积层，其输入通道为16、输出通道为32。那么一般的操作就是用32个3×3的卷积核来分别同输入数据卷积，这样每个卷积核需要3×3×16个参数，得到的输出是只有一个通道的数据。之所以会得到一通道的数据，是因为刚开始3×3×16的卷积核

Joseph Redmon , Ali Farhadi.YOLOv3: An Incremental Improvement. 2018https://arxiv.org/abs/1804.02767yolo v3性能类别预测多尺度特征融合YOLO v3 网络结构Feature Pyramid Networks (FPN) like Feature PyramidDarknet-53 Feature extractor边界框预测和代价函数计算 (Bounding box

Joseph Redmon , Ali Farhadi.YOLO9000: Better, Faster, Stronger. CVPR 2017 (Best Paper Honorable Mention)https://arxiv.org/abs/1612.08242YOLO v2 简述•YOLOv2是YOLO的第二个版本，其目标是在提高速度的同时显著提高准确度。改进之处（1） YOLO v2: 使用一系列的方法对YOLO v1进行了改进，在保持原有速度的同时提升准确度（2） YOLO9

网络结构CSPNetMish激活函数每经过一个CSPn，有一次下采样。Feature Pyramid Networks (FPN)SPP (Spatial Pyramid Pooling)PANet （Path Aggregation Network）YOLOv4损失函数IOUGIoU (Generalized Intersection over Union)DIoUCIoU （Complete IoU） Loss...

YOLO目标检测系列发展史一、yolo v1Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi.You Only Look Once: Unified, Real-Time Object Detection. CVPR 2016https://arxiv.org/abs/1506.026401.1 You Only Look Once: Unified, Real-Time Object Detection• YOLO将全图划

增强CNN学习能力的Backbone:CSPNetCSPNet全称是Cross Stage Partial Network，主要从一个比较特殊的角度切入，能够在降低20%计算量的情况下保持甚至提高CNN的能力。CSPNet开源了一部分cfg文件，其中一部分cfg可以直接使用AlexeyAB版Darknet还有ultralytics的yolov3运行。1. 简介Cross Stage Partial Network(CSPNet)就是从网络结构设计的角度来解决以往工作在推理过程中需要很大计算量

为了跑通pose estimation : Realtime Multi-Person Pose Estimation 的demohttps://github.com/ZheC/Realtime_Multi-Person_Pose_Estimation.git需要安装caffe，使用多种办法进行快速安装无效，未尝试本地编译，最终发现下面的方法有效，分享出来：https://stac...

目录固定风格固定内容的普通风格迁移VGG16内容风格Gram 矩阵风格损失训练效果固定风格任意内容的快速风格迁移模型ConvLayerResidualBlockTransformNet数据训练超参数TotalVariation代码效果任意风格任意内容的极速风格迁移情况1情况2情况3转换网络（Transf...

图像风格迁移(Neural Style)简史图像风格迁移(Neural Style)简史面向读者：没有或有一定机器学习经验并对Prisma之类的app背后的原理感兴趣的读者。比较有经验的读者可以直接参照科技树阅读文章末罗列的引用论文。阅读时间：10-20分钟注：多图，请注意流量。图像风格迁移科技树序：什么是图像风格迁移？先上一组图吧。以下每一张图都是一种不同...

目录R-CNN 历史回顾Faster R-CNNR-FCN R-CNN 历史回顾 Faster R-CNN R-FCN ...

R-CNN 构建网络模型 特征提取： selective search： 小区域 合并 大区域 ；小框 合并 大框 ； 所有的框 都跑一遍 卷积神经网络 特征提取 固化 分类，回归（定位） 慢，开篇之作，低效 问题：时间很长，每个小框都要跑一次神经网络，加上分类器 解决：先进行卷积（共享） ...

目录R-CNN模型结构：SPP NETFast R-CNN 物体检测 ILSVRC竞赛 区域卷积神经网络（R-CNN）系列 R_CNN Fast-R-CNN faster R-CNN 分类： 没有位置信息 检测： 类别标签 加上 位置（最小外接矩形：代表一张小图片）...

目录第四讲 图像分类 image classification研究和竞赛中最传统的问题网络进化：alexNEt VGG GoogleNet ResNet卷积神经网络Alex Net：VGG NetGoogleNetinception v1：inception V2inception V3inception V4ResNet 残差网络...