DeconvNet:Learning Deconvolution Network for Semantic Segmentation
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
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
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
在GoogleNetv3的基础上融ResNet的残差思想,设计了多种block
在GoogleNetv2的基础上,引入分解卷积修改inception block,实现模型性能提升
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
从GoogleNetv1开始,神经网络设计由类似VGGNet 关注深度转向"宽度"
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
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
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
本文介绍如何Gluon的基本数据类型Ndarray