斯丢劈德Tony-CSDN博客

原创【论文学习】Fast R-CNN

论文地址：Fast R-CNN1. AbstractFast R-CNN也是主要应用在目标检测的一种方法，它建立在前人工作的基础上，利用深度卷积网络更加高效地对目标进行分类。与之前的工作相比，Fast R-CNN采用了一些在提升检测精度的同时也提升训练速度和测试速度的创新点。Fast R-CNN训练深度VGG16比R-CNN快9倍，测试速度快213倍，在PASCAL VOC2012数据...

2018-05-20 10:32:13 426

原创【论文学习】Rich feature hierarchies for accurate object detection and semantic segmentation

论文地址：R-CNN1. Abstract在经典的PASCAL VOC数据集测试的目标检测的性能在近些年中逐渐趋于稳定。其中性能最好的方法是复合系统，通常把多个低级的图像特征和高级的上下文组合在一起。本文中，作者提出了一种简单且可扩展的检测算法，提升了在VOC 2012数据集上30%的mAP，达到了53.3%。其主要的想法有两个：1.把大容量的卷积神经网络应用在自上而下的region pr...

2018-05-15 11:41:59 302

原创【论文学习】YOLOv3：An Incremental Improvement

论文：YOLOv3 源代码：pjreddie.com/yolo/ 视频：https://youtu.be/MPU2HistivI1. Abstract作者对YOLO进行了进一步的更新，做了一些小设计更改让其表现更好。YOLOv3比YOLOv2相较大了一些，却更加准确，但是依然很快。在320×320 YOLOv3在28.2mAP上仅运行了22ms，和SSD的准确度相同但是快了3...

2018-03-31 09:59:56 13057

原创【论文学习】SqueezeNet

SqueezeNet于2016年提出，其主要目的是在保证当时已有的模型准确度的同时减少CNN模型中的参数。原文地址：SqueezeNet:AlexNet-Level accuracy with 50X fewer parameters and <0.5MB model size1. Abstract在深度卷积神经网络的研究主要的关注点是提升其准确度。在给定准确度水平的条件下，通常可以...

2018-03-11 09:51:38 2054

原创【论文学习】ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices

原文链接：https://arxiv.org/abs/1707.010831. Abstract作者介绍了一种运算极其高效的CNN架构，ShuffleNet。ShuffleNet主要应用在计算能力有限的移动设备上（如10-150MFLOPs）。ShuffleNet主要采用两种新的操作：逐点组卷积（pointwise group convolution）和通道重组（channel shu...

2018-03-02 10:57:48 2099

翻译【论文学习】FD-MonbileNet: IMPROVED MOBILENET WITH A FAST DOWNSAMPLING STRATEGY

原文链接：https://arxiv.org/abs/1802.03750作者介绍了一种高效且在有限运算量限制上十分准确的网络：Fast-Downsampling MobileNet（FD-MobileNet）。其中心思想是在MobileNet框架上应用一种快速下采样策略。在FD-MobileNet中，作者在12层中运行了32倍的下采样，这仅是原始MobileNet层数的一半。这样的设计有3个...

2018-02-21 13:33:41 1946

翻译【论文学习】MobileNets：Efficient Convolutional Neural Networks for Mobile Vision Applications

MobileNets是谷歌公司在2017年发布的一种可以在手机等移动终端运作的神经网络结构。论文地址：点击打开链接作者给出了移动端和嵌入式视觉应用的MobileNets模型。MobileNets基于流线型结构设计，使用深度可分离卷积（depthwise separable convolutions）来构建轻量级深度神经网络。作者引入了两个简单的全局超参数（）在速度（latency）和精确度进行折中...

2018-02-16 16:31:11 12227 1

翻译论文学习：YOLO9000: Better, Faster, Stronger

原文链接：点击打开链接摘要：作者引入了YOLO9000，一种最先进的、可以检测超过9000种物体类别的实时的目标检测系统。首先我们提出了许多YOLO检测的提升方式，与之前的工作类似也有不同（both novel and drown from prior work）。改进的模型YOLO v2在标准的检测任务集如PASCAL VOC和COCO上是很先进的。运用新奇的、多规模的例如YOLOv2的训练方法...

2018-02-10 16:14:28 383

斯丢劈德的博客