Backbone

目标检测框架one stage和two stage

OneStageOneStage的算法框架是在backbone提取得到的featuremaps上直接预测物体的位置(x,y,w,h)，物体类别，物体置信度，经过单次检测即可得到最终的检测结果。
一颗磐石·2022-12-01 08:00

YOLO v4算法详解

1、YOLOv4网络结构2、输入端3、Backbone网络4、Neck网络5、Head1、YOLOv4网络结构图1YOLOv4网络结构图由上图可知,YOLOv4主要由1输入端、backone、Neck以及
一顿能吃五大海碗啊啊啊·2022-12-01 04:34

YOLO V5 详解

YOLOV5BackboneSPPFSPP是使用了3个kernelsize不一样大的pooling并行运算。
leeyns·2022-12-01 04:59

YOLO V4 详解

YOLOV4论文地址：YOLOv4:OptimalSpeedandAccuracyofObjectDetection(arxiv.org)主要改进Backbone中加入了CSP,SPP,PAN,使用了Mishactivationfunction
leeyns·2022-12-01 04:29

YOLO V3 详解

Backbone改为Darknet-53,引入了残差模块。引入了FPN，可以进行多个尺度的训练，同时对于小目标的检测有了一定的提升(因为有3个不同大小的featuremap用来做检测)。
leeyns·2022-12-01 04:24

TrDiMP / TrSiam 代码阅读记录 (推理过程) ，以及 pytracking 框架的一些接口

Tracker3、env4、tracker_module5、checkpoint_dict6、net_constr7、net_fun_args8、info9、init_info_split10、init_backbone_feat11
匿名的魔术师·2022-12-01 02:54

图像分割之Unet原理简介与代码简析

Unet论文地址：ANestedU-NetArchitectureforMedicalImageSegmentationUnet是比较早的基于深度学习的分割算法了，优点是速度真的快（P100上基于VGG的backbone
xuzz_498100208·2022-11-30 23:22

Unet结构原理

下图就是Unet网络结构：我的个人理解是编码器实际上相当于backbone对输入图片进行特征提取，提取出合适的feature-map，再通过解码器恢复至原尺寸，进行逐个像素点分类。
Python图像识别·2022-11-30 23:18

2022-10-16学习记录

2022-10-16学习记录一、动作识别领域backbone之I3D和SlowFastI3D网络  I3D主要是将2DCNN的网络扩展为3DCNN。
Alice01010101·2022-11-30 16:19

CV领域经典backbone模型小抄(1)

本文会不断更新…CV领域经典backbone模型小抄(1)CV轻量级backbone模型小抄(1)CV目标检测模型小抄(1)CV语义分割模型小抄(1)CV实例分割模型小抄(1)多模态模型小抄(1)卷积操作后大小计算卷积与转置卷积
Andy Dennis·2022-11-30 15:19

NLP backbone常用的噪声训练方法

图1.可组合的几种噪声变换（图片出处：https://arxiv.org/pdf/1910.13461.pdf）继续补充中。样例句子：ABC.DE.（第一句：ABC.第二句：DE.）训练目标均为降低真实值与预测值之间的交叉熵损失。1.TokenMasking(token掩码)GT:ABC.DE.After:A[MASK]C.[MASK]E.其中，Token被随机采样，并被替换为[MASK]元素。训
江路人·2022-11-30 13:46

Yolov5算法解读

yolov5主要分为输入端，backbone，Neck，和head(predict
elkluh·2022-11-30 10:12

【目标检测】CenterNet2代码解读

整体代码结构如下：1.利用Resnet50生成五层特征图features=self.backbone(images.tensor)#代表（8，16，32，64，128）倍下采样#以输入（1,3,768,1344
杀生丸变大叔了·2022-11-30 03:44

yolov1

1506.02640target的格式：7*7*30前20个是类别，然后是[box1_confidence,x,y,w,h,box2_confidence,x,y,w,h]记得对输入图片进行resize处理backboneimporttorchimporttorch.nnasnnarc
通宵睡一宿·2022-11-30 01:49

【论文阅读笔记】Simple Baselines for Human Pose Estimation and Tracking

本文在网络结构上没有多的花哨的思想，只是在backbone后添加了几个deconv层，没有sk
时光机ﾟ·2022-11-29 22:24

改进YOLOv5系列：基于互补搜索技术和新颖架构设计组合MobileNetV3结构作为Backbone主干网络，打造不同的检测器

包含大量的改进方式,降低改进难度,改进点包含【Backbone特征主干】、【Neck特征融合】、【Head检测头】、【注意力机制】、【IoU损失函数】、【NMS】、【Loss计算方式】、【自注意力机制】
芒果汁没有芒果·2022-11-29 20:37

速通yolov5s.yaml

源码注释版参考：YOLOv5的Backbone详解_Marlowee的博客-CSDN博客_yolov5backboneYOLOv5的head详解_Marlowee的博客-CSDN博客_headyolov5
bit er·2022-11-29 18:14

G-Ghost-RegNet实战：使用G-Ghost-RegNet实现图像分类任务(一）

g_ghost_regnet.py文件项目结构计算mean和std生成数据集摘要论文地址：https://arxiv.org/abs/2201.03297代码地址：https://github.com/huawei-noah/CV-Backbones
AI浩·2022-11-29 11:37

cannot assign ‘list‘ as child module ‘backbone‘ (torch.nn.Module or None expected)

1.问题描述本来想把Googlenet作为主干网络，去掉最后三层，但发生了报错：cannotassign‘list’aschildmodule‘backbone’(torch.nn.ModuleorNoneexpected
Liu Haiwen·2022-11-28 23:43

第P9周：YOLOv5-Backbone模块实现

第P9周：YOLOv5-Backbone模块实现本文为365天深度学习训练营中的学习记录博客参考文章：Pytorch实战|第P9周：YOLOv5-Backbone模块实现(训练营内部成员可读)原作者：K
LoveData_·2022-11-28 21:30

Pytorch实战 | P9 YOLOv5-Backbone模块实现天气识别

●本文为365天深度学习训练营中的学习记录博客●参考文章：Pytorch实战|第P9天：YOLOv5-Backbone模块●原作者：K同学啊|接辅导、项目定制一、我的环境●语言环境：Python3.8●
陈大麦 .·2022-11-28 20:31

Faster R-CNN详解

使用VGG16作为网络的backbone，推理速度在GPU上达到5fps(包括候选区域的生成)，准确率也有进一步的提升。在2015年的ILSVRC以及COCO竞赛中获得多个项目的第一名。
fakerth·2022-11-28 18:03

[我参加NVIDIA Sky Hackathon]（模型训练ssd系列）

一、ssd-resnet18比赛默认提供的目标检测模型是ssd，backbone是resnet18，默认训练80批次，部分训练参数及结果如下图1。
Leo_Aqu·2022-11-28 13:53

每天一篇论文呢 340/365 M3D-RPN: Monocular 3D Region Proposal Network for Object Detection

M3D-RPN:Monocular3DRegionProposalNetworkforObjectDetectionCodeDetNet:Designbackboneforobjectdetection
流浪机器人·2022-11-28 13:52

[我参加NVIDIA Sky Hackathon]（模型训练yolo系列）

NVIDIA在CVAPPLICATIONS->ObjectDetection提供了yolov3和yolov4的模型配置及训练部署教程，并且yolov4相对于yolov3性能较好，所以选择了yolov4进行训练，backbone
Leo_Aqu·2022-11-28 13:14

从YOLOv5源码yolo.py详细介绍Yolov5的网络结构

__init__函数2.parse_model函数三、classDetect(nn.Module)代码解析四、具体模块源码解析1BackBone1.1Focus1.2Conv1.3C3/C3_False2Neck2.1S
HollowKnightZ·2022-11-28 09:43

mmclassification 配置记录

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档@TOCmmclassification配置记录前言mmclassification出现发现尤其是在使用vit相关backbone时候会出现这个问题
灰太狼241·2022-11-28 07:36

Deformable detr源码分析

D:\Anaconda\envs\pytorch\Lib\site-packages\mmcv\cnn\bricks\transformer.py1.backboneDeformabledetr使用resnet50
樱花的浪漫·2022-11-28 07:33

YOLOv5简析

相对于YOLOv4，分别从以下三个方面简析YOLOv5的改进：输入端：DataAugmentation、自适应锚框计算、自适应图片缩放Backbone：Focus结构，CSP结构Neck：FPN+P
折磨王·2022-11-28 00:18

冻结训练随笔

学习一下冻结训练顺便想实现之前这一篇提到的冻结任意层的操作参照了之前的版本对比一下现在的冻结模块parser.add_argument('--freeze',nargs='+',type=int,default=[0],help='Freezelayers:backbone
weixin_50862344·2022-11-27 23:17

[论文笔记]Remote Sensing Image Change Detection with Transformers

3个主要步骤从CNNbackbone中提取高层特
北极冰川的岛屿·2022-11-27 17:52

论文阅读笔记 | 三维目标检测——SECOND算法

文章目录1.背景2网络结构2.13dBackbone2.2LossCompute2.3DataAugment3.实验结果paper：《SECOND:SparselyEmbeddedConvolutionalDetection
Clichong·2022-11-27 09:05

Faster RCNN

同样使用VGG16作为网络的backbone，推理速度在GPU上达到5fps(包括候选区域的生成)，准确率也有进一步的提升。在2015年的ILSVRC以及COCO竞赛中获得多个项目的第一名。
正在打怪升级的小菜鸟·2022-11-27 08:02

Fast RCNN

同样使用VGG16作为网络的backbone，与R-CNN相比训练时间快9倍，测试推理时间快213倍，准确率从62%提升至66%(再PascalVOC数据集上)。
正在打怪升级的小菜鸟·2022-11-27 08:37

多目标跟踪(MOT/MTT)

目标检测1.概述1.1常用术语1.2数据集1.3网络组件1.4.1Backbone（骨干网络）1.4.2Neck1.4.3Head1.5移动端模型优化难点1.6轻量级检测模型发展史1.7应用分类及算法2
Arrow·2022-11-27 03:43

手把手教你在Detectron2中搭建自己的Backbone

手把手教你在Detectron2中搭建自己的Backbone0、准备主干网络准备一个Bockbone，我们以最新的RepVGG为例：RepVGG的链接如下：DingXiaoH/RepVGG:RepVGG
蛊惑one·2022-11-27 01:14

YOLOV5更换轻量级的backbone：mobilenetV2

目录简洁概要：修改主干网络：一：添加自己主干网络二：在yolo.py中添加common中的两个函数三：制作mobilenetv2的yaml配置文件四：制作数据集VOC的yaml配置文件五：启用训练六：性能检测简洁概要：MobileNetV2主要采用了深度可分离卷积，在MobileNetv1的基础上引用了残差模块以及Relu6的激活函数，用1*n，n*1的思想代替了n*n的矩阵，计算量会更小。修改主
我变成了柴犬·2022-11-27 00:06

YOLO_V5 Backbone学习笔记

天深度学习训练营内部限免文章（版权归K同学啊所有）参考本文所写记录性文章，请在文章开头注明以下内容，复制粘贴即可本文为365天深度学习训练营中的学习记录博客参考文章：Pytorch实战|第P9周：YOLOv5-Backbone
Pinospot·2022-11-26 22:27

mmdetection目标检测模型最强优化

关于mmdetection框架，根据其config文件，可以将模型分为Backbone、Neck、Bbox_head几个模块。
Amber亮·2022-11-26 21:28

PaddleDetection中一些特色模型介绍

CBNet论文题目：CBNet:ANovelCompositeBackboneNetworkArchitectureforObjectDetection论文地址：https://arxiv.org/abs
littletomatodonkey·2022-11-26 17:48

paddle 42 将任意paddleclas模型作为paddledetection中的backbone使用

在图像分类中的很多模型都可以作为backbone参与目标检测模型中，然而在paddledetection中支持的backbone仅有：blazenet、cspresnet、esnet、hrnet、lite_hrnet
万里鹏程转瞬至·2022-11-26 17:05

详解和对比ResNet和DenseNet和MobileNet

经典的Backbone，如ResNet50、DenseNet121、MobileNetV2，三类框架，参考KerasApplications：ResNet50DenseNet121MobileNetV2
SpikeKing·2022-11-26 14:08

目标检测SSD算法（新手入门）

SSD分析SSD背景SSDFrameworkCNN-baseddetectorSSD的backbone：VGG16SSDModelL2Norm先验框多尺度对SSD的影响定位、分类小结问题SSD算法是比较经典的目标检测算法
ZhaoDongyu_AK47·2022-11-26 14:30

Deeplabv3+模型

对于DeepLabV3，如果Backbone为ResNet101，Stride=16将造成后面9层的特征图变大，后面9层的计算量变为原来
aixiaomi123·2022-11-26 09:35

PVT(Pyramid Vision Transformer: A Versatile Backbone for Dense Prediction without Convolutions)

1.网络框图1.输入一张H×W×3H\timesW\times3H×W×3的图片，经过一个PatchEmbeeding将其分割成HW42\frac{HW}{4^2}42HWpatches,每一个Patch大小是4×4×34\times4\times34×4×3,经过一个LinearProjection得到embeedingpatches：H×W42×C1\frac{H\timesW}{4^2}\t
GY-赵·2022-11-26 07:44

DeepLab系列算法笔记

DeepLabv1DCNN+CRFBackbone:VGG-16使用了空洞卷积融合了多层次信息，前四个pool层之后都额外接了两个卷积层，和最后一个softmax层concat，有微小的性能提升DeepLabv2
柯南道尔的春天·2022-11-25 17:10

深度学习——backbone，benchmark，baseline

backbone：骨干网络，比如alexnet，ZFnet，VGG，googlenet…benchmark：性能指标，比如accuracy，内存消耗，模型复杂度，或者在性能上很有代表性的算法框架。
hbw136·2022-11-25 14:48

目标检测入坑指南4：GoogLeNet神经网络

文章目录一、引言二、网络结构1.Concatenation2.Inceptionv13.1×1卷积4.整体设计三、实例演示四、演变改进一、引言目标检测整体的框架是由backbone、neck
Convolution@·2022-11-25 13:18

冻结训练&优化器&学习率

因为加载的预训练模型参数一般是效果较好的，如果我们不冻结还是从头开始训练浪费资源（本来可以较快收敛的，结果从头开始训练浪费训练资源）甚至降低原模型精度；b、冻结训练需要的显存较小，显卡非常差的情况下，可以冻结backbone
向前走就是我·2022-11-25 13:17

torch中如何使用预训练权重

解释说明：目前很多主流的网络模型主要包含backbone+其他结构(分类，回归)，那么如何在训练自己的网络模型时使用别人已经训练好的网络模型权重呢？？
爱学习的小奶狗·2022-11-25 13:17
上一页 18 19 20 21 22 23 24 25 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他