大话深度学习

大话深度学习

已经学过的网络结构

Gan

SRgan

DCgan

Cyclegan

Senet

大话深度学习

大话深度学习

  • Squeeze:顺着空间维度进行特征压缩,将每个二维的特征通道变成一个实数,这个实数某种程度上具有全局的感受野,并且输出的维度和输入的特征通道数相匹配;
  • Excitation:基于特征通道间的相关性,每个特征通道生成一个权重,用来代表特征通道的重要程度;
  • Reweight:将Excitation输出的权重看做每个特征通道的重要性,然后通过乘法逐通道加权到之前的特征上,完成在通道维度上的对原始特征的重标定。

Resnet

Vae

Alexnet

Vgg

Inception v.x

Unet

FCN

SAGAN

  • Self Attention GAN自注意力GAN是比较新的GAN,将GAN的效果更上了一层楼;
  • Self Attention 自注意力机制能够加强卷积核提取像素之间的关联信息;
  • Spectral Normalization 谱归一化是一种新的比较有效的稳定GAN训练的方法,它通过约束判别器D的奇异值矩阵,使D满足1-L条件;

SSPnet

Fast R-CNN

大话视觉:

基础知识

图像的局部信息
  • 提取位置:浅层网络中提取局部信息;
  • 特点:物体的几何信息比较丰富,对应的感受野较小;
  • 目的:有助于分割尺寸较小的目标;
  • 有利于提高分割的精确程度
图像的全局信息
  • 提取位置:深层网络中提取全局信息;
  • 特点:物体的空间信息比较丰富,对应的感受野较大;
  • 目的:有助于分割尺寸较大的目标;
  • 有利于提高分割的精确程度.
感受野

Receptive field在卷积神经网络中,决定某一层输出结果中一个元素所对应的输入层的区域大小,被称作感受野。通常来说,大感受野的效果要比小感受野的效果更好。由公式可见,stride越大,感受野越大。 但是过大的stride会使feature map保留的信息变少。因此,在减小stride的情况下,如何增大感受野或使其保持不变,称为了分割中的一大问题。\(RF{i+1}\)=\({RF{i}+(KernelSize-1)* Stride}\)。如下图Layer3中的一个各自的感受野为7。

花里胡哨的卷积

Grouped Convolutions、DCN

各种各样的激活方式

ReLU6、Swish、Mish

形色各异的增强方式

Cutout、Mosaic

经典的重量级网络

Inception系列、ResNet系列、RepVGG

灵活的轻量级网络

MobileNet系列、ShuffleNet系列

不同任务的Loss 函数

CE、Focal Loss、DIOU

视觉Transformer

ViT、DeiT等

上一篇:h5唤起地图导航


下一篇:图像修复 2021年