年轻人起来冲

DeconvNet：Learning Deconvolution Network for Semantic Segmentation

发表于 2018-02-15 更新于 2023-10-24 分类于 2-深度学习， C-语义分割本文字数： 1.2k 阅读时长 ≈ 1 分钟

第一个基于解码器-编码器设计的网络，编码阶段使用池化提取特征，解码阶段使用反池化、反卷积还原分辨率

发表于 2018-02-13 更新于 2023-10-24 分类于 2-深度学习， C-语义分割本文字数： 538 阅读时长 ≈ 1 分钟

通过反卷积(deconvolution)上采样、通过跳跃连接实现底层位置信息与高层语义信息，最终实现对融合技术实现对像素级的分类

发表于 2017-12-21 更新于 2023-10-24 分类于 2-深度学习， B-图像分类本文字数： 516 阅读时长 ≈ 1 分钟

在GoogleNetv3的基础上融ResNet的残差思想，设计了多种block

发表于 2017-12-11 更新于 2023-10-24 分类于 2-深度学习， B-图像分类本文字数： 643 阅读时长 ≈ 1 分钟

在GoogleNetv2的基础上，引入分解卷积修改inception block，实现模型性能提升

发表于 2017-11-02 更新于 2023-10-24 分类于 2-深度学习， B-图像分类本文字数： 1.5k 阅读时长 ≈ 1 分钟

在GoogleNetv1的基础上修改Inception block得到，并且引入历史性的BN层，使得网络训练的调参更简单

发表于 2017-10-28 更新于 2023-10-24 分类于 2-深度学习， B-图像分类本文字数： 1.5k 阅读时长 ≈ 1 分钟

从GoogleNetv1开始，神经网络设计由类似VGGNet 关注深度转向"宽度"

发表于 2017-10-16 更新于 2023-10-24 分类于 2-深度学习， B-图像分类本文字数： 2.4k 阅读时长 ≈ 2 分钟

VGGNet探索了卷积神经网络的深度与其性能之间的关系，成功地构筑了16~19层深的卷积神经网络，证明了增加网络的深度能够在一定程度上影响网络最终的性能，使错误率大幅下降，同时拓展性又很强，迁移到其它图片数据上的泛化性也非常好

发表于 2017-10-09 更新于 2023-10-24 分类于 2-深度学习， B-图像分类本文字数： 1.4k 阅读时长 ≈ 1 分钟

OverFeat是CNN用来进行目标检测的早期工作，主要思想是采用多尺度滑动窗口来做分类、定位和检测，虽然是多个任务，但重用了模型前面几层，这种模型重用的思路也是后来R-CNN系列不断沿用和改进的经典做法

发表于 2017-09-28 更新于 2023-10-24 分类于 2-深度学习， B-图像分类本文字数： 620 阅读时长 ≈ 1 分钟

对AlexNet网络轻量化设计，主要有3个原则：1）使用1x1卷积替代3x3卷积；2）3x3卷积前先通过1x1卷积降低通道数；3)延迟下采样

发表于 2017-09-23 更新于 2023-10-24 分类于 4-框架， D-MxNet 本文字数： 2.6k 阅读时长 ≈ 2 分钟

本文介绍如何Gluon的基本数据类型Ndarray