首页 > TAG信息列表 > DropBlock
YOLOV4技术讲解
https://zhuanlan.zhihu.com/p/143747206 参考文章 输入端 moasic数据增强 Backbone cspdarknet53 NECK sspfpn+pan模块 Prediction *IOU-GIOU-DIOU-CIOU moasic数据增强 cspdarkent53网络 yolov4借鉴2019年cspnet设计经验，将其作为backbone设计 CSPNet论文地址：https://ayolo-v4：Optimal Speed and Accuracy of Object Detection解析
YOLOv4: Optimal Speed and Accuracy of Object Detection 摘要 深度学习发展至今，依据产生了许多优秀的技术。其中一些技术对特定的数据集或小数据集有着良好的表现；而有一些技术拥有着普遍的适用性，在各个领域、各种架构都有着非常好的性能提升表现，如： batch-normalization， residual【动手学Paddle2.0系列】DropBlock理论与实战
【动手学Paddle2.0系列】DropBlock理论与实战 1.DropBlock理论介绍 dropout被广泛地用作全连接层的正则化技术，但是对于卷积层，通常不太有效。dropout在卷积层不work的原因可能是由于卷积层的特征图中相邻位置元素在空间上共享语义信息，所以尽管某个单元被dropout掉，但与其相Yolo-v4中SAT和DropBlock介绍
Self-Adversarial-Training（SAT） SAT类似数据增强 对抗样本的定义：以图像样本为例,在原样本上加入一些轻微的扰动，使得在人眼分辨不出差别的情况下，诱导模型进行错误分类。 如图所示，Input（Panda图像）+ 噪音点 = Output（误判为gibbon图像） DropBlock 【Dropout】:(b)图中的“x”，代表论文阅读——SD-Unet: A Structured Dropout U-Net for Retinal Vessel Segmentation
论文阅读——SD-Unet: A Structured Dropout U-Net for Retinal Vessel Segmentation 一种结构化随机失活UNet用于视网膜血管分割 from BIBE2019 Abstract 目前眼底疾病的人工视觉诊断一方面人工阅读效率低下，另一方面存在较大主观性，容易导致无检测。而眼底视网膜血管的自动分