深度学习与目标检测系列(六) 本文约(4.5万字) | 全面解读复现ResNet | Pytorch |

文章目录

  • 解读
    • Abstract—摘要
      • 翻译
      • 精读
        • 主要内容
    • Introduction—介绍
      • 翻译
      • 精读
        • 背景
    • Related Work—相关工作
      • Residual Representations—残差表达
      • 翻译
      • 精读
        • 主要内容
      • Shortcut Connections—短路连接
      • 翻译
      • 精读
        • 主要内容
    • Deep Residual Learning—深度残差学习
      • Residual Learning—残差学习
      • 翻译
      • 精读
        • ResNet目的
        • 以前方法
        • 本文改进
        • 本质
      • 3.2. Identity Mapping by Shortcuts—通过短路连接进行恒等映射
      • 翻译
      • 精读
        • Shortcuts Connection的两种方式:
      • 3.3. Network Architectures—网络架构
      • 翻译
      • 精读
        • Plain网络
        • 残差网络
      • 3.4. Implementation—实现
      • 翻译
      • 精读
        • 方法
    • Experiments—实验
      • ImageNet Classification—ImageNet分类
      • Plain网络
      • 翻译
      • 精读
      • 残差网络
      • 翻译
      • 精读
        • 结论
      • Identity vs. Projection Shortcuts—恒等 vs 映射 Shortcuts
      • 翻译
      • 精读
      • Deeper Bottleneck Architectures—深度瓶颈结构
      • 翻译
      • 精读
        • 结论
      • Comparisons with State-of-the-art Methods—与最优秀方法的比较
      • 翻译
      • 精读
      • 4.2. CIFAR-10 and Analysis— CIFAR-10和分析
      • 翻译
      • 精读
        • 对比plain网络和残差网络的做法
      • Analysis of Layer Responses—分析每一层的网络的响应分布
      • 翻译
      • 精读
        • 方法
        • 结论
      • Exploring Over 1000 layers—过深层网络
      • 翻译
      • 精读
      • 4.3. Object Detection on PASCAL and MS COCO—PASCAL和MS COCO上的对象检测
      • 翻译
      • 精读
    • 论文十问
  • 代码复现
    • 一、BasicBlock模块
      • 代码:
    • 二、Bottleneck 模块
      • 代码:
      • 三、ResNet主体
      • 代码:
      • ResNet18
      • ResNet34
      • ResNet50
    • 四、完整代码
  • 推荐阅读:
    • 1. 机器学习
    • 2. 深度学习与目标检测
    • 3. YOLOv5
    • 4. YOLOv5改进
    • 5. YOLOv8及其改进
    • 6. Python与PyTorch
    • 7. 工具
    • 8. 小知识点
    • 9. 杂记


解读

Abstract—摘要

翻译

更深的神经网络往往更难以训练,我们在此提出一个残差学习的框架,以减轻网络的训练负担,这是个比以往的网络要深的多的网络。我们明确地将层作为输入学习残差函数,而不是学习未知的函数。我们提供了非常全面的实验数据来证明,残差网络更容易被优化,并且可以在深度增加的情况下让精度也增加。在ImageNet的数据集上我们评测了一个深度152层(是VGG的8倍)的残差网络,但依旧拥有比VGG更低的复杂度。残差网络整体达成了3.57%的错误率,这个结果获得了ILSVRC2015的分类任务第一名,我们还用CIFAR-10数据集分析了100层和1000层的网络。

在一些计算机视觉识别方向的任务当中,深度表示往往是重点。我们极深的网络让我们得到了28%的相对提升(对COCO的对象检测数据集)。我们在深度残差网络的基础上做了提交的版本参加ILSVRC和COCO2015的比赛,我们还获得了ImageNet对象检测,Imagenet对象定位,COCO对象检测和COCO图像分割的第一名。

精读

主要内容

你可能感兴趣的:(深度学习,目标检测,pytorch,人工智能,ResNet,残差连接,残差网络)