BackBone

收藏 | Faster-RCNN详解 (训练过程和RPN与Fast R-CNN)

Faster-RCNN主要由五部分构成：特征提取网络Backbone、RPN、ROIPooing以及RCNN。
一颗磐石·2022-08-16 07:35

yolov5之魔化修改

（1）YOLOAir：小白YOLO系列Trick改进论文推荐|包括Backbone,Neck,Head,注意力机制,IoU损失函数,NMS,自注意力机制,数据增强部分,激活函数_芒果汁没有芒果的博客-CSDN
曙光_deeplove·2022-08-15 07:04

改进YOLOv5系列：9.BoTNet Transformer结构的修改

本项目包含大量的改进方式,降低改进难度,改进点包含Backbone、Neck、Head、注意力机制、IoU损失函数、NMS、Loss计算方式、自注意力机制、数据增强部分、激活函数等部分，详情可以关注YOLOAir
芒果汁没有芒果·2022-08-15 07:14

改进YOLOv5系列：8.增加ACmix结构的修改,自注意力和卷积集成

本项目包含大量的改进方式,降低改进难度,改进点包含Backbone、Neck、Head、注意力机制、IoU损失函数、NMS、Loss计算方式、自注意力机制、数据增强部分、激活函数等部分，详情可以关注YOLOAir
芒果汁没有芒果·2022-08-13 07:38

何恺明团队提出探索用于目标检测的不分层ViT Backbone

【写在前面】作者探索了普通的、非分层的视觉Transformer（ViT）作为目标检测的骨干网络。这种设计使原始ViT架构能够针对对象检测进行微调，而无需重新设计用于预训练的分层主干。通过对微调的最小调整，本文的普通骨干检测器可以获得具有竞争力的结果。令人惊讶的是，作者观察到:(1)从单尺度特征图(没有常见的FPN设计)构建一个简单的特征金字塔是足够的，(2)在很少的跨窗口传播块的辅助下，使用窗口
FightingCV·2022-08-12 15:35

【论文阅读笔记】Looking Fast and Slow: Memory-Guided Mobile Video Object Detection

Memory-GuidedMobileVideoObjectDetection未经作者允许，本文禁止转载（一）论文地址：（二）核心思想：（三）主要贡献：（四）InterleavedModels（交叉模型）：（五）Backbone
BIT可达鸭·2022-08-12 07:09

【课程作业经验】基于Mindspore实现MTCNN

我的大作业选题是用轻量级的网络模型backbone，实现手机端人脸检测算法，并使用MindSporeLite在端侧推理部署。
·2022-08-11 17:31

何恺明团队提出探索用于目标检测的不分层ViT Backbone

【写在前面】作者探索了普通的、非分层的视觉Transformer（ViT）作为目标检测的骨干网络。这种设计使原始ViT架构能够针对对象检测进行微调，而无需重新设计用于预训练的分层主干。通过对微调的最小调整，本文的普通骨干检测器可以获得具有竞争力的结果。令人惊讶的是，作者观察到:(1)从单尺度特征图(没有常见的FPN设计)构建一个简单的特征金字塔是足够的，(2)在很少的跨窗口传播块的辅助下，使用窗口
·2022-08-11 14:29

论文阅读：U2 Net: Going Deeper with Nested U-Structure for Salient Object Detection

arxiv.org/pdf/2005.09007.pdf内容简介这个网络是用来做显著目标检测的(SOD)，能够取得出色的效果，同时模型文件较小，更适合于移动设备不同于原有的SOD网络，没有使用用于图像分类的backbone
xiongxyowo·2022-08-11 07:53

深度学习之目标检测（十一）--DETR详解

深度学习之目标检测（十一）--DETR详解目录深度学习之目标检测（十一）--DETR详解1.前言2.DETR框架2.1CNNBackbone2.2TransformerEncoder2.3TransformerDecoder2.4FFN3
木卯_THU·2022-08-11 06:55

改进YOLOv5系列：5.CotNet Transformer结构的修改

本项目包含大量的改进方式,降低改进难度,改进点包含Backbone、Neck、Head、注意力机制、IoU损失函数、NMS、Loss计算方式、自注意力机制、数据增强部分、激活函数等部分，详情可以关注YOLOAir
芒果汁没有芒果·2022-08-10 07:14

YOLOAir库：多种内置yaml网络模型配置

本项目包含大量的改进方式,降低改进难度,改进点包含Backbone、Neck、Head、注意力机制、IoU损失函数、NMS、Loss计算方式、自注意力机制、数据增强部分、激活函数等部分，详情可以关注YOLOAir
芒果汁没有芒果·2022-08-10 07:14

改进YOLOv5系列：6.修改Soft-NMS,Soft-CIoUNMS,Soft-SIoUNMS,Soft-DIoUNMS,Soft-EIoUNMS,Soft-GIoUNMS...

本项目包含大量的改进方式,降低改进难度,改进点包含Backbone、Neck、Head、注意力机制、IoU损失函数、NMS、Loss计算方式、自注意力机制、数据增强部分、激活函数等部分，详情可以关注YOLOAir
芒果汁没有芒果·2022-08-10 07:14

改进YOLOv5系列：7.改进DIoU-NMS,SIoU-NMS,EIoU-NMS,CIoU-NMS,GIoU-NMS

本项目包含大量的改进方式,降低改进难度,改进点包含Backbone、Neck、Head、注意力机制、IoU损失函数、NMS、Loss计算方式、自注意力机制、数据增强部分、激活函数等部分，详情可以关注YOLOAir
芒果汁没有芒果·2022-08-10 07:01

yolov5模型与代码解读

Backbone:newCSPDarknet-53Neck:SPPF,NewCSP-PANHead:yolov3head下图是v5l：改进部分：1.Focus模块Focus模块将每个2x2的相邻像素划分为一个
JWangwen·2022-08-09 09:00

YOLO Air一款面向科研小白的YOLO项目|包含大量改进方式教程|适用YOLOv5,YOLOv7,YOLOX,YOLOv4,YOLOR,YOLOv3,transformer等算法

助力论文改进、不同数据集涨点、创新点改进YOLOAir一款面向科研的YOLO项目统一使用yolov5代码框架，结合不同模块来构建不同的YOLO目标检测模型,包含大量改进方式教程,改进点包含Backbone
迪菲赫尔曼·2022-08-09 07:33

同性能下比MobileFormer快38倍！苹果提出对移动设备友好的高效主干网络MobileOne，运行时间小于1毫秒...

关注公众号，发现CV技术之美本篇分享论文『AnImprovedOnemillisecondMobileBackbone』，相同性能下比MobileFormer快38倍！
我爱计算机视觉·2022-08-07 07:50

MobileOne: 移动端仅需1ms的高性能骨干

开源地址：GitHub-shoutOutYangJie/MobileOne:AnImprovedOnemillisecondMobileBackbonetensorrt代码：onnx转tensorrt学习笔记
AI视觉网奇·2022-08-07 07:44

Apple新作MobileOne：移动端仅需1ms的高性能主干！超越MobileViT！

点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达转载自：AIWalkerAnImprovedOnemillisecondMobileBackbone论文：https://arxiv.org
Amusi（CVer）·2022-08-07 07:11

改进YOLOv5系列：4.YOLOv5_最新MobileOne结构换Backbone修改，超轻量型架构，移动端仅需1ms推理！苹果最新移动端高效主干网络

YOLOv5改进，适用于YOLOv7、YOLOv4、Scaled_YOLOv4、YOLOv3、YOLOR一系列YOLO算法的模块改进QAQ新的仓库即将更新ing，不是以前那个！！！到时候这个csdn博客通知，关注不迷路！！！一系列YOLO算法改进Trick组合！很多Trick排列组合助力论文数据集涨点创新点改进具体看置顶博客以下MobileOne网络模块的改进，最新MobileOne结构换Back
芒果汁没有芒果·2022-08-07 07:07

nanodet阅读：（1）概述

二、正文1.模型整体特点模型之所以轻量，是因为作者用了①轻量的backbone：经
tang-shopping·2022-08-06 07:59

基于Tensorflow2的YOLOV4 网络结构及代码解析（2）——NECK部分

继上篇《基于Tensorflow2的YOLOV4网络结构及代码解析（1）——backbone网络结构》博文后继续解析yoloV4的NECK本篇博客主要介绍两个个方面：1.SPPNET:SPP结构使用不同尺度的
xiaoyang0307·2022-08-05 09:35

【Darknet-53】YOLOv3 backbone Darknet-53 详解

文章目录1模型计算量与参数量2Darknet-53网络3感谢链接1模型计算量与参数量模型计算量与参数量的计算方式主要有两种，一种是使用thop库，一种是使用torchsummaryX。使用pipinstallthop安装thop库使用pipinstalltorchsummaryX安装torchsummaryX库2Darknet-53网络可直接运行下方代码，结合注释和结果理解本例中darknet53
寻找永不遗憾·2022-08-05 09:35

pytorch源码解析系列-yolov4最核心技巧代码详解（1）-网络结构

YOLOV4中核心部分实现方式1.CBMCBL以下代码部分参考源码内容，图片参考了江大白的知乎conv+batch+mish(Leakyrelu)效果：就是leaklyrelu的效果，防止梯度为0结果：backbone
活塞君·2022-08-05 09:35

【MMDetection 源码解读之yolov3】Backbone - Darknet53.

Darknet2.1、Darknet类介绍和全局参数设置2.2、__init__初始化2.3、前向推理2.4、搭建stage1-5总结前言这个博客会讲解MMDetection关于Darknet53这个Backbone
满船清梦压星河HK·2022-08-05 09:31

【YOLOv7_0.1】网络结构与源码解析

文章目录前言整体网络结构分解的yolov7.yaml各组件结构ELAN1(backbone)ELAN2(head)MPConvSPPCSPCRepConv原理理解层面代码实现层面References前言论文地址
嗜睡的篠龙·2022-08-05 09:55

目标检测-YOLOv3理论讲解

YOLOv3论文:YOLOv3:AnIncrementImprovementYOLOv3网络讲解YOLOv3相比之前的YOLO2改进之处是修改了BackBone,由YOLOv2的Backbone为Darknet
@BangBang·2022-08-04 07:10

【计算机视觉】：基于PyTorch的YoloV5目标检测平台

基于PyTorch的YoloV5目标检测平台YoloV5改进的部分改进YoloV5思路一、整体结构二、网络结构分析1、主干网络Backbone（即CSPDarknet）2、构建FPN特征金字塔（加强特征提取网络
JRWu·2022-08-02 10:15

【目标检测+域适应】CVPR18 CVPR19总结

CVPRDomainAdaptiveFasterR-CNNforObjectDetectionintheWild这篇可算是第一个工作，以fasterrcnn为baseline,在其基础上添加判别器分支，附着到backbone
weixin_30246221·2022-08-01 07:13

思谋面试准备

tf.Print2.bagging与boosting区别3.分类网络常用backbonehttps://blog.csdn.net/m0_59787404/article/details/1214
凭轩听雨199407·2022-07-30 07:05

深度学习目标检测之YOLO系列网络（一步步变强之yolo v3）

YOLOv3的BackBone在YOLOv3中，主干网络采用Darknet-53，相比于YOLOv2的Darkn
BigHao688·2022-07-30 07:50

CenterNet目标检测【详解】

文章目录1、Backbone2、Heatmap2.1HeatmapLoss2.2WHLoss2.3offseLoss2.4TotalLoss和decode1、BackboneHourglass:主要用于关键点检测
全息数据·2022-07-29 07:06

注意力机制

https://github.com/HaloTrouvaille/YOLO-Multi-Backbones-AttentionYOLO融合注意力机制可以参考下NeuralNetworks2020|哈工大与北大提出注意力引导的图像去噪
无止境x·2022-07-27 13:26

【Detection】R-FCN: Object Detection via Region-based Fully Convolutional Networks论文分析

Paperlink1.Overview2.position-sensitivescoremaps2.1Background2.2position-sensitivescoremaps3.Architecture3.1backbone3.2
急流勇进·2022-07-25 17:14

【目标检测-YOLO】YOLO v4 总结（第四篇）

1.YOLOv4架构总结YOLOInputBackboneNeckHead置信度Loss坐标回归Loss分类Lossv1448*448GoogleNetFC*2MSEv232xDarkNet-19PassthroughConvMSEv332xDarkNet
理心炼丹·2022-07-25 16:15

YOLOv1-YOLOv5的简单学习记录

YOLOv1（2016）首次将目标检测转化为回归问题，边框回归直接预测（x,y,w,h）VGG16为backbone，7*7网格负责预测，每个网格预测2个bbox，输出7x7x30损失包括：坐标预测损失
奔跑的阿诺·2022-07-24 07:40

【深度学习】YOLOv4: Optimal Speed and Accuracy of Object Detection 目标检测

Weighted-Residual-Connections(WRC)https://arxiv.org/pdf/1605.08831.pdf（2）Cross-Stage-Partial-connections(CSP)backbonehttps
XD742971636·2022-07-22 17:21

EfficientFormer：轻量化ViT Backbone

MobileViT结构上基本基于MobileNetV2而改进增加了MobileViTblock，但是同样能够实现一个不错的精度表现，文章实验部分大量的对比了MobileViT跟CNN和ViT模型的参数量和模型大小，不过值得一提的是在端侧除了模型大小以外，更加重视模型的性能，只能说这篇文章经典之处是开创了CNN融合ViT在端侧的研究。
ZOMI酱酱·2022-07-22 16:00

【目标检测-YOLO】YOLO v4 架构以及网络详解（第二篇）

1.YOLO总结YOLOInputBackboneNeckHead置信度Loss坐标回归Loss分类Lossv1448*448GoogleNe
理心炼丹·2022-07-21 12:52

YOLOv5核心基础知识讲解

深入浅出Yolo系列之Yolov5核心基础知识完整讲解（知乎）目录0、基础概念1、Yolov5四种网络2、核心基础内容2.1YOLOv5核心基础内容2.2Yolov5核心基础内容2.2.1输入端2.2.2Backbone2.2.3Neck2.2.4
浅汐入梦·2022-07-21 07:38

CV目标检测模型小抄(1)

前言写完CV领域经典backbone模型小抄(1)之后，我们知道，backbone加上分类头就可以做分类任务了，那么如果backbone加上一些目标检测和实例分割头，其实也可以做实例分割任务。
Andy Dennis·2022-07-20 20:12

CV实例分割模型小抄(1)

前言写完CV领域经典backbone模型小抄(1)之后，我们知道，backbone加上分类头就可以做分类任务了，那么如果backbone加上一些目标检测和图像分割头，其实也可以做目标检测和实例分割任务。
Andy Dennis·2022-07-20 07:27

FCOS代码（一） (demo过程)骨干网络结构详解，mask-rcnn ResNet+fpn

FCOS代码（三）demo过程的整个流程下面是源代码中打印的整体网络结构，然后将其分为ResNet和FPN两部分描述进行描述，config使用的是fcos_imprv_R_50_FPN_1x.yaml，BACKBONE.CONV_BODY
匿名的魔术师·2022-07-19 08:42

An Improved One millisecond Mobile Backbone 论文笔记

AnImprovedOnemillisecondMobileBackbone论文笔记论文链接:https://arxiv.org/abs/2206.04040一、Introduction作者在本文中探索一个新的
Tianchao龙虾·2022-07-19 07:28

论文阅读笔记 | Transformer系列——Transformer in Transformer

TNTApproach2.1Preliminaries2.2TransformerinTransformer2.3Positionencoding3.Resultpaper：TransformerinTransformercode：https://github.com/huawei-noah/CV-Backbones
Clichong·2022-07-19 07:54

目标检测算法——YOLOv5结合BotNet（Transformer）

论文题目：《BottleneckTransformersforVisualRecognition》基于Transformer的新backbone来了！！！
加勒比海带66·2022-07-19 07:34

目标检测 Faster-RCNN网络

文章目录1.网络工作流程1.1数据加载1.2模型加载1.3模型预测过程1.3.1RPN获取候选区域1.3.2FastRCNN进行目标检测2.模型结构详解2.1backbone2.2RPN网络2.2.1anchors2.2.2RPN
落花雨时·2022-07-18 13:39

[2101] [ICCV 2021] Tokens-to-Token ViT: Training Vision Transformers from Scratch on ImageNet

papercodeContentIntroductionMethodmodelarchitecturetoken-to-token(T2T)re-structurizationsoftsplitT2TmoduleT2T-ViTbackbonearchitecturevariantsExperimentT2T-ViTonImageNetfromCNNtoViTablationstudyIntrodu
koukouvagia·2022-07-18 07:39

三维目标检测中的RPN网络总结

更过内容更新于个人博客twn29004.top常见的RPN网络Faster-RCNN中的RPN网络在Backbone生成的特征图中，使用大小为3×33\times33×3的卷积处理特征图，针对每一个中心点生成一个
twn29004·2022-07-15 07:58

High-Resolution Network (篇二)：MMpose代码讲解之Backbone及关键点Detector部分

Backbone部分Backbone部分的代码在mmpose\models\backbones\hrnet.py中，该脚本文件调用了ResNet的BasicBlock和Bottleneck，我们只需要关注
@会飞的毛毛虫·2022-07-15 07:44
上一页 26 27 28 29 30 31 32 33 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他