论文题目:《BiSeNet: Bilateral Segmentation Network for Real-time Semantic Segmentation》 论文摘要:语义分割同时要求丰富的空间信息和大小不同的感受野。然而,通常我们为了达到实时的推理速度,会降低图像的空间分辨率,从而导致效果 ...
分类:
Web程序 时间:
2019-09-03 11:55:06
阅读次数:
151
阅读他人的代码能够帮助你学习编程。类似的,研究他人开训练出的实例,有助于你构建自己的CNN。 1.classicla network 1.1 LeNet-5 n_H,n_W在减小,n_C在增加 一个或多个卷积层后边跟一个池化层 阅读论文:只需精读第二段 1.2 AlexNet 论文:任务被分到了两个 ...
分类:
其他好文 时间:
2019-09-03 09:59:22
阅读次数:
117
1. 边缘检测 2. Padding 为了解决两个问题: 1.输出缩小。卷积操作后图像由(n,n)变成了(n-f+1,n-f+1) 2.丢失图像边缘的大部分信息 在卷积操作前对图像边缘进行填充,填充p个像素点。则填充并进行卷积后图像尺寸为(n+2p-f+1, n+2p-f+1) 选择填充size:v ...
分类:
其他好文 时间:
2019-09-03 09:39:33
阅读次数:
85
一、卷积神经网络 1、关于卷积神经网络的知识,这里推荐一个博客,可以通过几篇博文来了解卷积神经网络:https://www.cnblogs.com/pinard/category/894694.html 2、关于张量经过卷积与池化后数据各维度大小的变化: 设原图片数据维度为$batch*width* ...
分类:
其他好文 时间:
2019-09-02 14:14:44
阅读次数:
117
恢复内容开始 与R-CNN的不同: Fast R-CNN是端到端的,解决了R-CNN的速度慢、空间大的缺点。 训练: 使用5个最大池化层和5~13个不等的卷积层的三种网络进行预训练:CaffeNet,VGG_CNN_M_1024,VGG-16,使用之前要先做出如下改动: 对训练集中的图片,SS取出每 ...
分类:
其他好文 时间:
2019-08-25 16:10:33
阅读次数:
73
面对一个图像分类问题,可以有以下步骤: 1.建立一个简单的CNN模型,一方面能够快速地run一个模型,以了解这个任务的难度 卷积层1:卷积核大小3*3,卷积核移动步长1,卷积核个数64,池化大小2*2,池化步长2,池化类型为最大池化,激活函数ReLU。 卷积层2:卷积核大小3*3,卷积核移动步长1, ...
分类:
其他好文 时间:
2019-08-22 13:29:52
阅读次数:
126
目录 感受野 多个小卷积核连续卷积和单个大卷积核卷积的作用相同 小卷积核的优势 参考资料 感受野 在卷积神经网络中,感受野(Receptive Field)的定义是卷积神经网络每一层输出的特征图(feature map)上的像素点在输入图片上映射的区域大小。再通俗点的解释是,特征图上的一个点对应输入 ...
分类:
其他好文 时间:
2019-08-20 10:42:56
阅读次数:
97
目录 举例 参考资料 网中网结构通过多个分支的运算(卷积或池化),将分支上的运算结果在深度上连接 举例 一个3*3*2的张量, 与3个1*1*2的卷积核分别same卷积,步长=1, 与2个2*2*2的卷积核分别same卷积,步长=1, 与1个3*3*2的掩码最大值same池化,步长=1, 将得到的这 ...
分类:
Web程序 时间:
2019-08-20 10:30:43
阅读次数:
97
背景 用ConvNet方法解决图像分类、检测问题成为热潮,但这些方法都需要先把图片resize到固定的w*h,再丢进网络里,图片经过resize可能会丢失一些信息。论文作者发明了SPP pooling(空间金字塔池化)层,让网络可以接受任意size的输入。 方法 首先思考一个问题,为什么ConvNe ...
分类:
Web程序 时间:
2019-08-18 13:56:31
阅读次数:
107
参考链接: https://blog.csdn.net/Jason_yyz/article/details/80003271 https://blog.csdn.net/qq_21190081/article/details/72871704 ...
分类:
其他好文 时间:
2019-08-17 18:15:31
阅读次数:
55