首页 > TAG信息列表 > Backbone

Voxel-RCNN-Complex 总结

摘要： a. 方向：自动驾驶领域，针对复杂交通情况 b. 数据集：ONCE（One millioN sCenEs） c. 改进点（基于Voxel-RCNN）： i. 在3D Backbone中加入残差结构 ii. 设计了一个厚重的（？）3D特征提取器（有效提取高维信息） iii. 2D Backbone（包含残差、自校准卷积？、空间注意力、通道注意力机制）——扩大感受野、

代码笔记12 PyTorch加载部分模型参数到另一个模型

1  首先，加载是有条件的，就是两个模型想要加载的参数的名字相同，才能加载进来。 2  加载的方法有两种，load_state_dict(strict)和update 代码里的方法是对backbone单独做一个Module类，这样不容易出错。 代码中展示了如何把train_net中的backbone参数加载到test_net中的两种办法 impor

[论文笔记][半监督语义分割]Universal Semi-Supervised Semantic Segmentation

论文原文原文地址 Motivations 传统的训练方式需要针对不同 domain 的数据分别设计模型，十分繁琐（deploy costs） 语义分割数据集标注十分昂贵，费时费力 Contributions 本文提出的统一模型可以实现跨领域统一训练 模型使用少量的标注数据和大量未标注数据（半监督模型） 网络架构/方法

Pytorch_net_深度学习的网络结构

关键词 目标检测用bbox，实例分割用mask，姿态估计用keypoint bbox 用一个anchor点和指向极值点的四根向量就能确定目标框 mask 一个anchor点和指向轮廓点的n个向量确定mask keypoint 用一个anchor点和指向17个关键点点的17个向量确定pose。heatmap预测关键点的方式

YOLO v4相比较YOLO v3的改进之处

输入端：这里指的创新主要是训练时对输入端的改进，主要包括Mosaic数据增强、cmBN、SAT自对抗训练BackBone主干网络：将各种新的方式结合起来，包括：CSPDarknet53、Mish激活函数、DropblockNeck：目标检测网络在BackBone和最后的输出层之间往往会插入一些层，比如Yolov4中的SPP模块、FPN+PAN

我理解的深度学习名词释义——“多模态”

"模态"一词原来在《自动控制原理》里面见过，但是到了深度学习，意思不太一样了。   在Group Activity Recognition任务下，包含了多模态特征的fusion： 比如表观特征和运动特征；（CNN+GNN） 比如backbone中的序列图片I3D和单张RGB图片的Pose；   所以个人认为“多模态”就是“多类特征”， 因此

Pytorch深度学习随手记（5）术语

1.backbone：主干网络，网络用于提取特征信息的部分。 2.head：是获取网络输出内容的网络，利用之前提取的特征做出预测。 3.neck：放在backbone和head之间的，是为了更好的利用backbone提取的特征 4.bottleneck：瓶颈，通常指的是网络输出的维度比输入的小了许多，就像脖子一样 5.GAP：Global Avera

Occluded Facial Expression Recognition Enhanced through Privileged Information阅读笔记

这是ACM MM2019的一篇文章，主要解决遮挡情况下的表情识别，与相关工作相比，主要贡献可以总结如下：（1）是第一个引入非遮挡面部图像作为隐藏信息来指导遮挡分类器的学习过程； (2) 提出在标签和特征空间中指导遮挡分类器的学习过程，并在遮挡面部表情识别方面实现最先进的性能。 一、网络

目标检测算法YOLOF：You Only Look One-level Feature

文介绍 CVPR 2021 接收的目标检测论文 You Only Look One-level Feature。  原论文作者来自：中科院自动化所、中科院大学人工智能学院、中国科学院脑科学与智能技术卓越创新中心、旷视科技。 0 动机  在高性能的目标检测网络中，特征金字塔网络（Feature Pyramid Network，FPN）是一个

0831 每日文献阅读 打卡

    Read Data: 0831 Publication: CVPR 2021 Title: Dynamic Head: Unifying Object Detection Heads with Attentions Aim: 本文试图在目标探测头呈现出统一的视图。 Research Question: 目标检测中定位与分类相结合的复杂性导致了各种方法的蓬勃发展。最近

前端开发的历史和趋势

什么是前端 前端：针对浏览器的开发，代码在浏览器运行 后端：针对服务器的开发，代码在服务器运行 前后端不分的时代 互联网发展的早期，前后端开发是一体的，前端代码是后端代码的一部分。 后端收到浏览器的请求 生成静态页面 发送到浏览器 后端 MVC 的开发模式 那时的网站开发，采用的是

backbone

backbone：翻译为主干网络的意思，既然说是主干网络，就代表其是网络的一部分，那么是哪部分呢？这个主干网络大多时候指的是提取特征的网络，其作用就是提取图片中的信息，供后面的网络使用。这些网络经常使用的是resnet VGG等，而不是我们自己设计的网络，因为这些网络已经证明了在分类等问题上的

深度学习常见中英文术语解释

Backbone 主干网络用来提取图像特征。eg.VGG、ResNet等 Head Backbone 之后连接的网络层，利用主干网络提取的特征进行预测。 eg. Dense Predicton（第一阶段） SSD、YOLO等 Sparse Prediction(第二阶段) Faster R-CNN 等 neck Additional blocks： SPP、SAM等 Path-aggregation bloc

你必须要知道backbone模块成员之一 ：ResNet(超详细代码)

           本文主要贡献代码模块(文末)，在本文中对resnet进行了改写，是一份原始版本模块，里面集成了权重文件pth的载入模块(如函数：init_weights(self, pretrained=None))，layers的冻结模块(如函数：_freeze_stages(self))，更是将其改写成可读性高的代码，若你需要执行该模块，可直接将

CSPNET: A NEW BACKBONE THAT CAN ENHANCE LEARNING CAPABILITY OF CNN

Abstract       神经网络使得在像目标检测这样的计算机视觉任务中取得了SOTA的效果。然而，这巨大的成功十分依赖计算资源的消费，这阻碍了使用廉价芯片的用户使用先进的技术。本文我们提出了Cross Stage Partial Network（CSPNet），从网络结构的角度缓解之前的工作依赖大量前向计算

FasterRCNN框架解读

1、写在前面 从零开始入门物体检测。物体检测的网络架构和普通的任务有所不同，简单来讲就是子模块更多，从图像到最终结果的过程更加复杂。本文是FasterRCNN的框架解读，还没有具体到代码层面（即将更新代码解读）。其中涉及一些概念，比如anchor，bbox，FPN等等。这些概念对于没了解过物体检测

CVPR 2021 | 全新Backbone！ReXNet：助力CV任务全面涨点

CVPR 2021 | 全新Backbone！ReXNet：助力CV任务全面涨点 CVer 今天   以下文章来源于AI人工智能初学者 ，作者ChaucerG AI人工智能初学者 机器学习知识点总结、深度学习知识点总结以及相关垂直领域的跟进，比如CV，NLP等方面的知识。 点击下方卡片，关注“CVer”公众号 AI/CV重磅干货，

Faster R-CNN代码讲解之 train_mobilenet.py

资料： github代码链接：https://github.com/WZMIAOMIAO/deep-learning-for-image-processing b站一个不错的up主讲解视频：https://www.bilibili.com/video/BV1of4y1m7nj?t=99&p=2 数据集 数据集使用Pascal VOC2012 （共20个分类） Pascal VOC2012 train/val数据集下载地址：http://host

基于PyTorch的卷积神经网络经典BackBone(骨干网络)复现

文章目录 前言1.VGG1.1改进：1.2 PyTorch复现VGG191.2.1小Tips：1.2.2 打印网络信息： 2.Inception(GoogLeNet)2.1改进(Inception v1)2.2.2改进(Inception v2)2.2 PyTorch复现Inception v1:2.2.1 网络的整体框架：2.2.2 各层的参数情况：2.2.3 pytorch复现Inception基础模块2.2.4 小

腾讯优图：开源YOLO系列代码（含YOLOv3以及各种backbone）

前言 本文给各位CVers介绍一个由腾讯优图实验室开源的One-Stage目标检测项目。链接如下： https://github.com/TencentYoutuResearch/ObjectDetection-OneStageDet 前不久，刚刚push上YOLO系列代码。来看一下阵容： 基于PyTorch的YOLO系列代码实现，包含Tiny-YOLOv2、YOLOv2、Tiny-YOLOv3、

新冠肺炎分割

https://github.com/DengPingFan/Inf-Net#2-proposed-methods Fandengping提供了 /数据集/code/干网模型backbone/   githubhttps://github.com/DengPingFan/Inf-Net 上面分别提供了 1 数据集 2 干网 backbone(先下载resnet) 3 配置环境要求  

React

  React 官网 React github React中文社区 Facebook：MVC不适合大规模应用，改用Flux Why did we build React? Facebook 的 React 框架解析 关于从 Backbone 转向 React 的思考 React 的 diff 算法

基站网络通信

基站工作原理：基站的主要功能就是提供无线覆盖，即实现有线通信网络与无线终端之间的无线信号传输。 什么是通信? 简单来说，通信就是传递信息。我把我的信息发给你，你把你的信息发给我，这就是通信。 拓扑 按照拓扑搭建自己的网络，并启用Celluar协议，使得Smartphone0和Smartphone1能

前端历史

今天偷懒，看看ruanyf老师的全栈工程师培训课程 前端开发的历史和趋势 什么是前端 前端：针对浏览器的开发，代码在浏览器里面运行 后端：针对服务器的开发，代码在服务器里面运行 前后端不分的时代 这个时候多好哈哈哈，前端开发的复杂度这么低。 在互联网发展的早期时代，前后端开发是一

thundernet

在移动端部署检测模型时，因为速度原因，通常采用的是轻量级的backbone+one stage detector的方式。我之前在项目里就是采用的 就是这种方案，但精度始终没法和two-stage相比，而two-stage又太慢，之前测过速度之后就没再考虑在移动端采用two-staget方案， 而thundernet重新给了我在移动端采用