- @toc 1、DenseNet简介 DenseNet的文章我以前写过，原理篇看这里：DenseNet:Densely Connected Convolutional Networks–CVPR2017最佳论文奖 在本文中，我们提出了一种架构，将这种见解提炼成一个简单的连接模式：为了确保网络中各层之间的最大信息流，我们将所有层（具有匹配的特征图大小）直接相互连接。为了保持前馈特性，每一层都... @toc 1、DenseNet简介 DenseNet的文章我以前写过，原理篇看这里：DenseNet:Densely Connected Convolutional Networks–CVPR2017最佳论文奖 在本文中，我们提出了一种架构，将这种见解提炼成一个简单的连接模式：为了确保网络中各层之间的最大信息流，我们将所有层（具有匹配的特征图大小）直接相互连接。为了保持前馈特性，每一层都...
- 本文的主要贡献在于通过理论分析和大量实验证明使用恒等映射（identity mapping）作为快捷连接（skip connection）对于残差块的重要性。同时，将 BN/ReLu 这些 activation 操作挪到了 Conv（真正的weights filter操作）之前，提出“预激活“操作，并通过与”后激活“操作做对比实验，表明对于多层网络，使用了预激活残差单元（Pre-activatio 本文的主要贡献在于通过理论分析和大量实验证明使用恒等映射（identity mapping）作为快捷连接（skip connection）对于残差块的重要性。同时，将 BN/ReLu 这些 activation 操作挪到了 Conv（真正的weights filter操作）之前，提出“预激活“操作，并通过与”后激活“操作做对比实验，表明对于多层网络，使用了预激活残差单元（Pre-activatio
- 在 DenseNet 中，让网络中的每一层都直接与其前面层相连，实现特征的重复利用；同时把网络的每一层设计得特别“窄”（特征图/滤波器数量少），即只学习非常少的特征图（最极端情况就是每一层只学习一个特征图），达到降低冗余性的目的。 在 DenseNet 中，让网络中的每一层都直接与其前面层相连，实现特征的重复利用；同时把网络的每一层设计得特别“窄”（特征图/滤波器数量少），即只学习非常少的特征图（最极端情况就是每一层只学习一个特征图），达到降低冗余性的目的。
- ResNet 模型比 VGG 网络具有更少的滤波器数量和更低的复杂性。 比如 Resnet34 的 FLOPs 为 3.6G，仅为 VGG-19 19.6G 的 18%。 ResNet 模型比 VGG 网络具有更少的滤波器数量和更低的复杂性。 比如 Resnet34 的 FLOPs 为 3.6G，仅为 VGG-19 19.6G 的 18%。
- 《YOLO9000:Better, Faster, Stronger》Joseph Redmon∗†, Ali Farhadi∗†*University of Washington∗ , Allen Institute for AI*†**发表时间及期刊：2017 CVPR YOLO v2概述 YOLO v1虽然检测速度快，但在定位方面不够准确，并且召回率较低。为了提升定位准确度，改善召回... 《YOLO9000:Better, Faster, Stronger》Joseph Redmon∗†, Ali Farhadi∗†*University of Washington∗ , Allen Institute for AI*†**发表时间及期刊：2017 CVPR YOLO v2概述 YOLO v1虽然检测速度快，但在定位方面不够准确，并且召回率较低。为了提升定位准确度，改善召回...
- 《YOLOv4：Optimal Speed and Accuracy of Object Detection》 YOLOv4：目标检测的最佳速度和精度 《YOLOv4：Optimal Speed and Accuracy of Object Detection》 YOLOv4：目标检测的最佳速度和精度 1.YOLOv4介绍 2.YOLOv4网络结构 2.1 Backbone改进 2.2 ... 《YOLOv4：Optimal Speed and Accuracy of Object Detection》 YOLOv4：目标检测的最佳速度和精度 《YOLOv4：Optimal Speed and Accuracy of Object Detection》 YOLOv4：目标检测的最佳速度和精度 1.YOLOv4介绍 2.YOLOv4网络结构 2.1 Backbone改进 2.2 ...
- 【图神经网络】 - GNN的几个模型及论文解析（NN4G、GAT、GCN） 【图神经网络】 - GNN的几个模型及论文解析（NN4G、GAT、GCN）
- 【论文导读】- Federated Graph Neural Networks: Overview, Techniques and Challenges（联邦图神经网络：概述、技术和挑战） 【论文导读】- Federated Graph Neural Networks: Overview, Techniques and Challenges（联邦图神经网络：概述、技术和挑战）
- 卷积神经网络模型之——GoogLeNet网络结构与代码实现 卷积神经网络模型之——GoogLeNet网络结构与代码实现
- 卷积神经网络模型之——VGG-16网络结构与代码实现 卷积神经网络模型之——VGG-16网络结构与代码实现
- 卷积神经网络模型之——AlexNet网络结构与代码实现 卷积神经网络模型之——AlexNet网络结构与代码实现
- 卷积神经网络模型之——LeNet网络结构与代码实现 卷积神经网络模型之——LeNet网络结构与代码实现
- 0. 简介在阅读了许多多传感器工作后，这里作者对多传感器融合的方法做出总结。本文将从单传感器讲起，并一步步去向多传感器方向总结。之前的《多传感器融合详解》博客从算法层面介绍了多传感器的分类以及数据传输的能力，而《多传感器融合感知 --传感器外参标定及在线标定学习》博客则是从标定层面向读者介绍了如何对多传感器进行先一步的标定处理。而这篇文章将从方法层面总括多传感器的分类以及作者对多传感器的理... 0. 简介在阅读了许多多传感器工作后，这里作者对多传感器融合的方法做出总结。本文将从单传感器讲起，并一步步去向多传感器方向总结。之前的《多传感器融合详解》博客从算法层面介绍了多传感器的分类以及数据传输的能力，而《多传感器融合感知 --传感器外参标定及在线标定学习》博客则是从标定层面向读者介绍了如何对多传感器进行先一步的标定处理。而这篇文章将从方法层面总括多传感器的分类以及作者对多传感器的理...
- 0. 简介已经好久不写深度学习相关的博客了。但是我觉得DETR值得我重新拾起来进行详细介绍。Deformable DETR作为这两年来最有名的DETR变种之一，当然代码量也是比较多的。这里我们从论文到代码来详细分析Deformable DETR的精华之处。最近两年时间从Attention到NAS再到Transformer，视觉检测行业被Transformer拉到了一个新的高度。而DETR作... 0. 简介已经好久不写深度学习相关的博客了。但是我觉得DETR值得我重新拾起来进行详细介绍。Deformable DETR作为这两年来最有名的DETR变种之一，当然代码量也是比较多的。这里我们从论文到代码来详细分析Deformable DETR的精华之处。最近两年时间从Attention到NAS再到Transformer，视觉检测行业被Transformer拉到了一个新的高度。而DETR作...
- PGL图学习之基于GNN模型新冠疫苗任务[系列九] PGL图学习之基于GNN模型新冠疫苗任务[系列九]
上滑加载中
推荐直播
-
HDC深度解读系列 - Serverless与MCP融合创新，构建AI应用全新智能中枢2025/08/20 周三 16:30-18:00
张昆鹏 HCDG北京核心组代表
HDC2025期间，华为云展示了Serverless与MCP融合创新的解决方案，本期访谈直播，由华为云开发者专家(HCDE)兼华为云开发者社区组织HCDG北京核心组代表张鹏先生主持，华为云PaaS服务产品部 Serverless总监Ewen为大家深度解读华为云Serverless与MCP如何融合构建AI应用全新智能中枢
回顾中 -
关于RISC-V生态发展的思考2025/09/02 周二 17:00-18:00
中国科学院计算技术研究所副所长包云岗教授
中科院包云岗老师将在本次直播中，探讨处理器生态的关键要素及其联系，分享过去几年推动RISC-V生态建设实践过程中的经验与教训。
回顾中 -
一键搞定华为云万级资源，3步轻松管理企业成本2025/09/09 周二 15:00-16:00
阿言 华为云交易产品经理
本直播重点介绍如何一键续费万级资源，3步轻松管理成本，帮助提升日常管理效率！
回顾中
热门标签