其他分享
首页 > 其他分享> > CV baseline之SENet

CV baseline之SENet

作者:互联网

1:文字回答:用自己的语言描述注意力机制的方式(最好有图)?

给特征图提供权重

 2:文字回答:Excitation中的Reduction ratio是什么意思?有什么作用?

r:控制第一个全连接层神经元个数。直接影响SE Block的参数量和计算量,r越大,参数越少;r=16时,在精度和参数上得到好的平衡

 3:文字回答:SE-Module嵌入ResNet中有几个方式?

4种

 4:文字回答:读完该论文,对你的启发点有哪些?

1) 本文研究通道之间的关系,表明模型的发展已经从框架走向细节

2)论文对注意力机制的解释,计算资源偏向那些有价值有意义的特征

3)低维嵌入的理解,将数据做了某种操作(变换、映射),将数据压缩后,可称为Embedding

4)实验结果表明,加入SE blocks可作为模型增加深度的互补,即同时增加SE Block和网络深度,均可带来性能提升

5)GoogLeNet系列模型难复现,表面其中有很多trick,所以模型实用性不如ResNet

6)要想证明模型提出的好。最好在多个数据集上进行测试验证

7)SE block嵌入ResNet时,FC层不需要加偏置

8)下一步可研究内容:不同层的Reduction ratio应可以不一致,可考虑设置更优的Reduction ratio,用RNN自动搜索

9)多个对比试验的精度没有明显差异时,可考虑从另一个角度描述,比如说SE units具有良好的鲁棒性

10)越靠前的层的特征越普通,越靠后越特殊,比如前面的层学习到边缘、颜色块等特征,后面学到物体的整体特征

11)训练技巧:为了让训练和测试保持一致,在最后几个epoch的时候,冻结住BN层的参数

12)训练技巧:Batchsize越大,学习率也可以越大,但是普通玩家没有那么大的GPU

 5:代码实现(选做题):在cifar-10上训练一个SE-ResNet-20 和 ResNet-20,将训练曲线,混淆矩阵图等信息贴出来分享

标签:ratio,baseline,训练,模型,ResNet,SENet,Reduction,CV,SE
来源: https://www.cnblogs.com/sariel-sakura/p/13746696.html