0%

发表于 更新于 分类于 阅读次数： Valine：
知识点总结
  • 首先利用Selective Search方法提取Region Proposal
  • Region Proposal缩放后送入到CNN网络，为什么要缩放，因为fc层要求固定大小的输入。
  • CNN提取特征后，送入到后面的SVM进行分类（这里还涉及到难例挖掘）
  • 回归部分，利用4个线性回归，对proposal的坐标计算。
  • CNN使用预训练模型，然后在VOC上进行finetune
阅读全文 »

发表于 更新于 分类于 阅读次数： Valine：

简介

笔者也是最近偶然的机会才开始接触TVM，使用过后发现，经过auto-tuning后的TVM模型在速度是竟然超过了TensorRT,并且笔者使用的是MXNet模型，TVM对MXNet绝对的友好，对于Pytorch等模型，可以使用ONNX，操作一样简单，使用起来基本类似一键操作，本篇文章是笔者对TVM的简单整理，也算是对TVM的入门。

阅读全文 »

发表于 更新于 分类于 阅读次数： Valine：

DPN是在resneXt,denseNet之后，对resnet系列的进一步创新，作者巧妙的将resnet与denseNet相结合，提出了dual path architectures，构造了DPN网络结构。

阅读全文 »

发表于 更新于 分类于 阅读次数： Valine：

创新点：DenseNet作为2017CVPR最佳论文，其在ResNet基础上，提出了更优秀的shortcut方式，Dense Connection 不仅能使得feature更加强健，还能带来更快的收敛速度。并且DenseNet具有比ResNet更少的参数，在测试时具有更快的速度

阅读全文 »

发表于 更新于 分类于 阅读次数： Valine：

创新点：ResNeXt在ResNet的基础上，结合ResNet的block stack策略以及Inception结构分组卷积的思想，设计aggregrated transformations策略，在不增加模型复杂度的情况下，提高了模型识别的准确率，虽然没有提出特别新奇的网络结构，但是ResNeXt利用更简单的拓扑结构在不增加参数的情况下取得更好的效果，值得借鉴与思考。**其实resnext仅仅就是利用了group convolution，降低了网络的参数量，但是同时，增加了channel，发挥channel的效果，使得resnext的效果得到了一定的提升.

阅读全文 »

发表于 更新于 分类于 阅读次数： Valine：

目前，CNN网络在图像识别领域大放异彩，从最初的AlexNet到后面的GoogLeNet,ResNet,识别精度越来越高，但是除了精度之外，模型的计算复杂度也越来越引起大家的思考，如何降低网络的复杂度，以使网络可以高效的运行在诸如手机登移动端设备，也得到了众多研究者的研究。本文便主要在这方面发力，提出了提高网络速度设计的4个准则，并基于此设计了shuffleNet v2,在速度、精度均超过了目前的主流轻量级网络（shuffleNet v1, mobileNet v2等）,本文是Face++提出，发表于ECCV2018.

阅读全文 »