weixin_42621901的博客

论文题目：When Does Labels Smoothing Help?(来自谷歌大脑)目录一、标签平滑1. 什么是标签平滑二、主要工作二、可视化一、标签平滑1. 什么是标签平滑二、主要工作平滑标签能够防止神经网络变得过于自信，标签平滑技术被很多先进的网络所使用。（1）对标签平滑如何提高网络的泛化能力进行了可视化论证（2）标签平滑具有隐式的网络校正功能（3）在知识蒸馏的情况下，不使用标签平滑二、可视化...

论文题目：FMix: Enhancing Mixed Sample Data Augmentation-2020官方代码：FMix-Pytorch 数据增强方法之FMix一、摘要二、介绍2.1 MixUp和CutMix方法的优缺点2.2 FMix方法三、方法四、代码实现4.1 计算lambda值4.2 生成低频图像4.3 二值图像五、实验结果一、摘要近几年，样本融合的数据增强方法获得了越来越多的关注，比如一些很成功的变体-MixUp和CutMix。受到CutMix方法的启发，我们提出了FMix方法

论文题目： MobileNetV2: Inverted Residuals and Linear Bottlenecks论文代码： MobileNetV2——Pytorch版本目录摘要一、介绍二、相关工作三、深度可分离卷积3.1 常规卷积3.2 Depthwise and Pointwise Convolution四、线性瓶颈五、反向残差六、模型结构摘要在本文中，我们提出了一个新的移动架构——MobileNetV2。同时，我们也描述了一种应用这些移动模型到目标检测的有效方法——SSDLite。另外，

目录CutMix: Regularization Strategy to Train Strong Classifiers with Localizable Features摘要Mixup、Cutout和CutMix三种数据增强方法CutMix算法中涉及到的公式对应的代码讨论带有CutMix的模型学习到了什么？CutMix: Regularization Strategy to Train Strong Classifiers with Localizable Features作者在论文中提出了一种新的

1. 什么是不变性不变性是指目标发生了变换，但是你依然可以识别出来。对于图像处理任务来说，这是一种很好的特性。图像中的目标即使被平移、旋转或者缩放，模型都可以识别出来图像中的目标。不变性有以下几种类型：平移不变性；旋转不变性；尺度不变性；光照不变性。对于图像分类任务： 平移不变性就是图像中的目标不管被移动到哪个位置，模型给出的标签都是相同的。除此之外，还有一个对应的概念：平移同变性。是指：在图像的目标监测中，如果输入图像中的目标进行了平移，那么最终检测出来的候选框应该也相应的移动，这就是同时改变。

分组卷积介绍分组卷积最初是在AlexNet网络中出现的，主要为了解决单个GPU无法处理含有大量计算量和存储需求的卷积层这个问题。目前，分组卷积多被用于构建用于移动设备的小型网络模型。例如深度可分离卷积。原理在介绍原理之前，需要放上一张经典的图示（图片来源）。其中，最上面的是传统卷积操作的示意图，下面的是分组卷积操作的示意图。对分组卷积操作的说明：既然是分组卷积，肯定是需要对输入特征图进行分组，例如：将输入特征图根据通道数分成g组，则每组输入特征图的尺寸为 HW(c1/g)HW(c_1/

在已知右边表示label的情况下，例如 ：0表示正常（CN），1表示异常（AD）。要想满足提交的结果格式，需要将0-CN,1-AD对应起来。利用map()方法实现：pd['label'] = pd['label'].map({1:'AD', 0:'CN'})通过上述代码实现第二幅图片的结果...

Depthwise卷积和Pointwise卷积构成了Depthwise Separable Convolution(Xception论文地址)，该结构相比于常规卷积，其参数量和运算成本较低，常常出现在MobileNet等轻量级结构中。Depthwise Separable Convolution它将一个完成的卷积运算分成两步完成，即DW和PW。Depthwise ConvolutionDW卷积中: 一个卷积核负责一个channel。输入通道数等于输出通道数，即卷积核的数量等于输入特征图的通道数。