- 博客(7)
- 问答 (1)
- 收藏
- 关注
RSS订阅原创 深度可分离卷积模块
模块主要用于执行深度可分离卷积操作，它是一种高效的卷积方法，广泛应用于减少模型参数数量、计算成本以及提高运行效率等场景，特别是在移动和嵌入式设备上的深度学习应用中。类的设计提供了灵活性，可以根据具体任务调整内部层的配置（例如，卷积核大小、步长和填充），以适应不同的输入特征和需求，从而提高了模型的适用范围和扩展性。通过分离卷积操作为深度和逐点两个独立的步骤，深度可分离卷积显著减少了模型参数的数量，这使得模型更加轻量，便于在资源有限的设备上部署。其作用是负责通道之间的信息交互，将空间特征整合为最终的输出特征。
2025-01-08 16:18:11
681
原创 文献阅读：Light-Weight Convolutional Neural Networks for Generative Robotic Grasping
非结构化环境下高性能、高效率的抓取规划是智能机器人完成拣选任务迫切需要解决的关键问题。为了解决这个问题，提出了一种量化抓取质量生成神经网络来生成像素级抓取。首先使用轻量级卷积神经网络来生成初始抓取配置。针对轻量级设计导致的抓取性能下降，设计了解耦抓取质量网络来生成逐像素抓取质量。为了提高模型的鲁棒性和泛化性，提出了一种自适应过滤方法来过滤抓取配置。然后，提出一种基于椭圆拟合的抓取姿势优化方法以获得最终的抓取配置。
2025-01-07 17:17:47
848
原创 SE Net 即插即用模块
SENet（Squeeze-and-Excitation Network）模块是一种轻量级但高效的神经网络模块，旨在增强卷积神经网络对通道间特征的关注能力，从而提升网络的表达能力和性能。
2025-01-07 10:00:59
1141
原创 文献阅读：Efficient Grasp Detection Network With Gaussian-Based Grasp Representation for Robotic Manipulat
该论文提出了一种高效的抓取检测网络，以 n 通道图像作为机器人抓取的输入。所提出的网络是一种用于单阶段抓取检测的轻量级生成结构。具体来说，引入基于高斯核的抓取表示来对训练样本进行编码，体现出拥有最高抓取置信度的最大中心。将感受野块插入瓶颈以提高模型的特征辨别能力。此外，基于像素和基于通道的注意力机制被用来构建多维注意力融合网络，以融合有价值的语义信息，通过抑制噪声特征和突出对象特征来实现。所提出的方法在 Cornell、Jacquard 和扩展 OCID 掌握数据集上进行了评估。
2025-01-06 20:02:28
1292
原创 文献阅读：SG-Grasp：基于视觉感知传感器的面向弱纹理对象的语义分割引导机器人抓取
提出了一种创新的解决方案，使用语义分割来有效分割弱纹理对象并指导抓取检测。通过仅使用来自 RGB-D 传感器的红绿蓝 (RGB) 图像，分割算法(RTSegNet) 在新提出的 TROSD 数据集上实现了最先进的性能。重要的是，该方法使机器人能够抓取透明和反射物体，而无需重新训练抓取检测网络（仅在康奈尔数据集上进行训练）。现实世界的机器人实验证明了该方法在抓取常见的弱纹理物体方面的鲁棒性；此外，从各种数据集获得的结果验证了分割算法的有效性和鲁棒性。弱纹理物体在生活和生产中很常见。
2025-01-03 10:14:27
1185
原创 SCConve 卷积模块
旨在通过空间和通道重构来减少卷积层中的冗余特征，从而降低计算成本并提高特征表达的代表性。：采用分割-转换-融合策略，首先将特征图在通道维度上分割成两部分，一部分通过高效的卷积操作进行特征提取，另一部分则直接利用，最后将两部分的特征图通过自适应融合策略合并，以减少通道维度上的冗余并提升特征的代表性。：通过分离操作将输入特征图分为信息丰富和信息较少的两部分，然后通过重建操作将这两部分的特征图结合起来，以增强特征表达并抑制空间维度上的冗余。
2025-01-02 14:41:52
1294
1
空空如也
RuntimeError: Not compiled with GPU support
2024-03-28
单片机串行口工作原理问题
2022-04-17
TA创建的收藏夹 TA关注的收藏夹
TA关注的人