featuremap

深度学习经典论文（四）Inception V3

从input到output，featuremap的宽和高基本都会逐渐变小，但是不能一下子就变得很小。比如你上来就来个kernel=7,stride=5,这样显然不合适。另外输出的维度chann
UHL1107·2023-01-01 08:11

tensor如何转置_tensor的维度变换

例子2：a=torch.rand(4,1,28,28)a.view(4*1,28,28)表示我们现在只关注featuremap这个属性，而不关注它来自哪个图片的哪个
weixin_39858124·2022-12-31 09:06

PointRend原理及源码解读--2020.2

论文PointRend:ImageSegmentationasRendering本质个人认为这篇文章的本质就是，在最深的featuremap上进行预测，找出分类不明确的这些点，然后把这些点的低层特征concat
lucky_nalan·2022-12-31 00:54

Mask R-CNN网络结构理解

zhuanlan.zhihu.com/p/37998710模型中的改进：1.FasterR-CNN里的特征提取网络-->FPN：FPN产生特征金字塔[P2,P3,P4,P5,P6]，大尺度的ROI要从低分辨率的featuremap
画外人易朽·2022-12-30 08:40

卷积神经网络的改进 —— 分组卷积、DW 与 PW

经过3×3卷积核的卷积层（假设输出通道数为4，则卷积核shape为3×3×3×4），最终输出4个FeatureMap，如果有samepadding则尺寸与输入层相同（5×5），如果没有则为尺寸变为3×3
IT__learning·2022-12-29 11:15

STPP[时间金字塔池化]||SSN(Temporal Action Detection with Structured Segment Networks)时间动作定位

首先回顾SPP，通过对featuremap进行不同空间尺度的下采样，并且对不同大小的特征输入可以得到固定大小输出。对于STPP则是同样去理解，在Temporal上进
Apr1cot·2022-12-28 23:53

reserved in total by pytorch_Pytorch之GoogleNet实战

GitHubgithub.com数据集：花数据集，下载方式去我的另一篇文章：安辰：Pytorch训练自己的数据集zhuanlan.zhihu.com优点（个人理解）：采用了1*1的卷积神经网络：可以在保证FeatureMap
weixin_39586235·2022-12-28 21:26

深度学习笔记（基础篇）——（六）全卷积神经网络（FCN）

通常CNN在卷积层之后会接上若干个全连接层，将卷积层产生的特征图（FeatureMap）映射成一个固定长度的特征向量进行分类。
马大哈先生·2022-12-28 08:47

深度学习卷积算法指南

convolutionarithmetic介绍1简介1.1离散卷积1.2池化1.3卷积算法相关词汇卷积核步长(Stride)填充(padding)通道(chennel）FeatureMap是什么2卷积算法
GIS哼哈哈·2022-12-28 07:43

深入理解神经网络中的反(转置)卷积

对于像素级的任务，在decoder部分都会用一些常规操作去逐步恢复featuremap的空间大小，而常用的模块有反卷积[3,5]、上采样+卷积和subpixel[4]操作等等。
机器学习与AI生成创作·2022-12-28 07:06

轻量型神经网络 shufflenet V1和shufflenet V2

在mobilenetv1中的核心操作是引入了深度可分离卷积，即通过对featuremap的每个chann
gyibo_·2022-12-28 02:48

轻量化网络ShuffleNet 旷视

CVPR2018人脸识别脸部特效张翔宇什么是分组卷积我们可以回忆一下普通卷积featuremap有几个我们的对应的卷积核就需要几个channel然后我们学习这个分组卷积如图所示，前两个channel有一个
：）�东东要拼命·2022-12-28 02:06

Shuffle Net的Channel Shuffle模块是咋回事？

看一下这个图片，[a]就是普通的分组卷积，比如（M,M,16）的featuremap按channel分成4组，每组(M,M,4)，每组用K个(3,3,4)的卷积核去卷积，这样就能得到4个featuremap
Rainylt·2022-12-27 14:47

RPN（Region Proposal Network）和 Anchor 理解

介绍上一篇博客介绍了FastRCNN中的ROIPooling原理，网络只需一次特征提取过程，不同尺寸的候选框映射到featuremap对应位置上，经过该结构后可变成相同大小的特征向量作为全连接层的输入。
梦星魂24·2022-12-27 07:01

深度可分离卷积（Depthwise seperable convolution）

一些轻量级的网络，如mobilenet中，会有深度可分离卷积depthwiseseparableconvolution，由depthwise(DW)和pointwise(PW)两个部分结合起来，用来提取特征featuremap
冰雪棋书·2022-12-27 01:55

深度可分离卷积（depthwise separable convolutions）

深度可分离卷积depthwiseseparableconvolution是由depthwise(DW)和pointwise(PW)两个部分结合起来，用来提取特征featuremap。
interesting233333·2022-12-27 01:23

RoI Pooling可视化

RoIPooling的过程可以划分为3步：将RoI从原图映射到featuremap上；将映射后的区域划分成大小
DazeAJD·2022-12-26 11:20

目标检测之YOLOv3算法分析

基本原理特征网络输入输出输入416∗416∗3416*416*3416∗416∗3大小的图片（不唯一，但图片大小必为32的倍数），输出3个尺度的featuremap,分别为13∗13∗25513*13*
德林恩宝·2022-12-26 07:31

目标检测之Faster RCNN分析

基本流程图像输入网络得到特征图使用RPN生成候选框，将候选框投影到特征图获得特征矩阵对特征矩阵使用ROIpooling得到特征图并展平，得到预测结果重点解析RPN在网络中的位置在上图中，从featuremap
德林恩宝·2022-12-25 17:06

目标检测---Faster RCNN---详细解读（下）

上图就是FasterRCNN的整体流程，大致可以分为四个部分：1.卷积网络提取特征得到Featuremap2.RPN网络生成候选区域，获得前景图片并进行位置回归3.RoiPooling层，结合Featuremap
1千寻1·2022-12-25 14:57

pytorch使用DCN

pytorch使用DCN前言正文前言关于DCN可形变卷积神经网络相信大家也都不陌生，使用额外的featuremap区学习offset，以此达到可形变的效果。感觉和attention比较相似？
Abo_luo·2022-12-25 09:07

深度学习之SSD总结

它使用低层featuremap检测小目标，使用高层featuremap检测大目标。一、SSD的优势与劣势1.优势（1）没有生成边界框（proposal）的过程，进而提高了速度。
weixin_45963617·2022-12-25 07:52

端到端OCR-ABCNet论文笔记

网络结构网络结构示意图如下，检测head在featuremap之后，包含了4个stride=1，padding=1的3*3卷积核。
阿飞大魔王·2022-12-24 11:53

一文讲清楚FPN+PAN结构、SPP结构

一、FPN+PANFPN高维度向低维度传递语义信息（大目标更明确）PAN低维度向高维度再传递一次语义信息（小目标也更明确）深层的featuremap携带有更强的语义特征，较弱的定位信息。
thequitesunshine007·2022-12-23 18:15

深度学习基础网络整理----AlexNet

Pooling对于输入的FeatureMap，选择某种方式对其进行降维压缩，以加快运算速度,局部连接：卷积核的
czy_0912·2022-12-23 10:15

CS231N斯坦福计算机视觉公开课笔记

p6可视化卷积神经网络：导向反向传播让轮廓更明显，找到识别最大的原始图像p9：CNN网络工程的实践技巧，，3*3卷积，步长为1，padding=1使得featuremap维度不变。
368chen·2022-12-23 06:04

可解释机器学习 Task04 - GradCAM深度学习可解释性分析

.解决问题三、ScoreCAM1.解决问题四、LayerCAM1.解决问题一、GradCAM算法简介1.算法流程输入一张图片，经过与CAM算法相同的卷积层操作，到最后一层卷积层输出512个14*14的featuremap
T4neYours·2022-12-23 06:28

CS231N斯坦福计算机视觉公开课 04 -卷积神经网络

CS231N斯坦福计算机视觉公开课04-卷积神经网络一、卷积层1.卷积操作2.1*1卷积核二、池化层三、全连接层一、卷积层1.卷积操作黄色部分：感受野粉色部分：featuremap，其数量成为通道数（channel
T4neYours·2022-12-23 06:28

alexnet学习笔记（代码篇）

详细讲的摘要，relu，dropout函数的优点图像分类包含两个阶段训练阶段和测试阶段，softmax,交叉熵02网络结构及部分参数计算网络包含5个conv，3个pooling，3个fc（全连接层）每层网络的featuremap
Ai扫地僧（yao）·2022-12-22 21:43

一文看懂膨胀（空洞）卷积（含代码）

为什么要用膨胀卷积二、膨胀卷积的特点（优点）三、膨胀卷积特点的理解1、先看特点②：可以保证输出的特征映射（featuremap）的大小保持不变2、膨胀卷积特点1:增大了卷积核的感受野四、膨胀卷积的问题4.1griddingeffect4.2
火丁不是灯·2022-12-22 03:38

卷积神经网络

为了减少这部分需求，同时对神经网络也能够实现很好的训练，提出了卷积神经网络的概念如何实现权值共享一些概念featuremaps：比如说在ComputerVision领域中，featuremap指的就是图像
糖公子没来过·2022-12-20 08:53

你真的了解深度学习中的上采样吗？

//www.zhihu.com/question/328891283/answer/1604072340）导读不论是语义分割、目标检测还是三维重建等模型，都需要将提取到的高层特征进行放大，此时就需要对featuremap
happyGirl122·2022-12-20 04:37

深度学习基础知识——上采样

上采样，转置卷积，上池化上采样（unsampling）GAP上采样（unsampling）GAPGlobalaveragepooling就是平均所有的featuremap，然后将平均后的featuremap
黑洞是不黑·2022-12-20 04:36

深度学习中上采样方法总结

不论是语义分割、目标检测还是三维重建等模型，都需要将提取到的高层特征进行放大，此时就需要对featuremap进
CV技术指南·2022-12-20 04:01

Pre-trained Adversarial Perturbations-对抗机器学习论文

Pre-trainedAdversarialPerturbations摘要1介绍2相关工作3方法3.1符号和问题表述3.2我们的设计4实验4.1设置4.2主要结果4.3消融实验4.3.1攻击不同层的效果4.3.2均匀高斯采样的影响4.4featuremap
冰羽vee9·2022-12-19 18:00

faster rcnn源码解析(持续更新中)

pytorch-faster-rcnn，部分参考和借用了以下博客的图片[1]CNN目标检测（一）：FasterRCNN详解姊妹篇maskrcnn解析整体框架首先图片进行放缩到W*H，然后送入vgg16(去掉了pool5)，得到featuremap
baobei0112·2022-12-19 15:26

论文笔记：Visualizing and Understanding Convolutional Networks

而对高层特征束手无策无法解释每一层的不变性（从不同的图中学到相同的特征）本文的核心技术：DeconvolutionalNetwork(deconvnet)本文可以做到：解释训练集中的哪些pattern可以激活相应的featuremap
foreverbeginnerz·2022-12-18 12:01

Object Track（五）：经典论文SiamFC（2）方法论

是用于提取图像特征的卷积网络，因为作用于x(srch_img)的φ与作用于z(template,模板)的φ完全一样所以称为孪生网络(siamese,也可称暹罗)，经过卷积网络提取特征后分别得到x和z的featuremap
是魏小白吗·2022-12-18 01:07

FCN全卷积网络理解

FCN我以前总是把它很1*1conv弄混，实际上这是两个不同的概念，FCN意思是把FC层用卷积层替代，用于处理segmentation问题的一个网络；1*1是一种卷积形式，用于改变featuremap的
scut_salmon·2022-12-17 21:04

人脸识别(Face Recognition)简要综述

文章目录人脸识别在计算机视觉中的位置早期方法FaceRecognitionwithLocalBinaryPatterns(【ECCV2004】)LBP的featuremap计算方法:除此以外LBP算子还有改进版本
此方家的空腹·2022-12-17 16:30

卷积神经网络可视化理解

文章目录设计来源可视化第一层卷积核可视化第一层featuremap底层特征可视化隐层featuremap可视化遮挡、扰动实验GradientAscent、featureinversionDeepDream
之子无裳·2022-12-16 11:58

卷积神经网络（CNN）——快速导读

一、认识卷积神经网络输入层：将每个像素点代表一个特征节点输入进来卷积层：有多个滤波器组成池化层：将卷积结果降维全局平均池化层：对生成的特征数据（featuremap）取全平均值输出层：需要分几类就有几个输出节点
无微の大白·2022-12-16 09:01

孤读Paper——《FCOS: Fully Convolutional One-Stage Object Detection》

FCOS:FullyConvolutionalOne-StageObjectDetection》  简单、鲁棒的Anchorfree目标检测算法，核心思想是利用FCNs-based的方式来做目标检测，对featureMap
Mr.RottenPeach·2022-12-15 11:24

Caffe中DeconvolutionLayer的用法

在我的理解里面，Convolution是将大尺寸的featuremap转换为小尺寸的featuremap，而Deconvolut
crediks·2022-12-14 23:10

10月15日计算机视觉基础学习笔记——分割网络的设计

文章目录前言一、分割器的设计1、优化：减小featuremap2、上采样upsampling二、经典分割模型的涨点方法前言本文为10月15日计算机视觉基础学习笔记——分割网络的设计，分为两个章节：分割器的设计
Ashen_0nee·2022-12-14 17:12

Content-Aware Unsupervised Deep Homography Estimation

networkstructure:网络提取出Ia和Ib的featuremap，并预测出两张featuremap的mask(和featuremap同尺寸，mask的值代表该pixel为内点的概率),将featuremap
至尊宝_water·2022-12-14 03:08

2019CVPR有关对抗样本的论文总结（防御篇一）

2019CVPR-FeatureDenoisingforImprovingAdversarialRobustness.特征去噪提高对抗鲁棒性背景通过将对抗性图像(adversarialimage)的特征图(FeatureMap
学-evday·2022-12-13 02:34

卷积神经网络特征图可视化&热图可视化

文章目录前言一、可视化特征图二、热力图可视化（图像分类）总结前言使用pytorch中的钩子将特征图和梯度勾出来，从而达到可视化特征图（featuremap）和可视化热图（heatmap）的目的。
大蠢驴小疯子·2022-12-13 00:16

深度学习笔记：卷积神经网络的可视化--特征图

目录1.前言2.模型的训练3.特征图可视化3.1加载保存的模型¶3.2图像预处理：将图像转换为张量3.3例化一个模型用于返回各层激活输出（即featuremap）3.5各层各通道汇总可视化4.小结参考文献
笨牛慢耕·2022-12-12 19:04

检测笔记——faster-RCNN anchor & proposal部分

zhuanlan.zhihu.com/p/138824387有些地方纯粹自己打一遍加深记忆，如果要看原版请看上述链接~faster-rcnn初始化anchor：设输入图像为a*b，图像到需要rpn处时缩放系数为16，即此时featuremap
苏鱼鱼的小鱼儿·2022-12-10 20:18
上一页 1 2 3 4 5 6 7 8 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他