CV技术指南

​导言： 自2012年AlexNet在ImageNet比赛上获得冠军，卷积神经网络逐渐取代传统算法成为了处理计算机视觉任务的核心。 在这几年，研究人员从提升特征提取能力，改进回传梯度更新效果，缩短训练

模型压缩是一种缩小训练后的神经网络的技术。 压缩的模型在使用少量计算资源的情况下，其性能通常与原始模型相似。 但是，在许多应用程序中，瓶颈被证明是在压缩之前训练原始的大型神经网络。例如，可以在低成本的

​前言： 在深度学习和计算机视觉中，人们正在努力提取特征，为各种视觉任务输出有意义的表示。在一些任务中，我们只关注对象的几何形状，而不管颜色、纹理和照明等。这就是边界检测的作用所在。 点个关注，每天更

前言： 卷积神经网络(CNN)在计算机视觉领域取得了显著的成功，几乎成为所有计算机视觉任务中的一种通用和主导方法。 受transformer在自然语言处理(NLP)的成功，许多研究人员正试图探索tra

导言： MobileNet系列是轻量级网络的一个系列，共有三个版本，本文MobileNet v1提出了一种有效的网络架构和一组两个超参数，这些超参数允许模型构建者根据问题的约束条件为其应用选择合适尺寸

导言： “RuntimeError: Expected object of scalar type Double but got scalar type Float”，这样的错误想必无数次在运行时出现

导言： Non-Maximum Suppression（NMS）非极大值抑制，也有个别地方称之为非最大值抑制。个人认为前者更为贴切，因为其具体实现原理是找到所有局部最大值，并抑制非局部最大值，而不是找

导言： 目前一些网络模型如MobileNet_v1, v2，ShuffleNet_v1, Xception采用了分组卷积，深度可分离卷积等操作，这些操作在一定程度上大大减少了FLOPs，但FLOPs并

导言： **点个关注，每天更新两篇计算机视觉的文章 传统的卷积网络在一个前向过程中每层只有一个连接，ResNet增加了残差连接从而增加了信息从一层到下一层的流动。FractalNets重复组合几个有不

导言： shuffleNet_v1在MobileNet_v1后，MobileNet_v2前提出。ShuffleNet系列也是针对移动端部署而提出的模型。 　ShuffleNet_v1结合了深度可分离卷

本文将介绍一篇很有意思的论文，该方向比较新，故本文保留了较多论文中的设计思路，背景知识等相关内容。 前言： 人类具有识别环境中未知对象实例的本能。当相应的知识最

​ Inception系列之Inception_v1 MobileNet系列之MobileNet_v2 MobileNet系列之MobileNet_v3 点个关注，每天更新两篇计算机视觉的文章 引言：

MobileNet系列之MobileNet_v1 MobileNet系列之MobileNet_v2 点个关注，每天更新两篇计算机视觉的文章 导言： 继MobileNet_v1和v2提出后，在2019年

MobileNet系列之MobileNet_v1 Inception系列之Inception_v1 Inception系列之Batch Normalization Inception系列之Incept

点个关注，每天更新两篇计算机视觉的文章 论文原称：Zhang B, Wang L, Wang Z, et al. Real-time action recognition with enhanced

1.论文原称： Simonyan K, Zisserman A. Two-stream convolutional networks for action recognition in videos[

​前言： 最近几年，注意力机制用来提升模型性能有比较好的表现，大家都用得很舒服。本文将介绍一种新提出的坐标注意力机制，这种机制解决了SE，CBAM上存在的一些问题，产生了更好的效果，而使用与SE，CB

​前言： 注意力机制在视觉上是非常重要的部分，这方面的综述、总结有很多。为了本文总结的全面性，我基本都看了一遍。然而这些综述要么面面俱到，对所有内容都非常详细地阐述，包括一些非常不常用的，过时的论文或

​前言： 在计算机视觉方向，数据增强的本质是人为地引入人视觉上的先验知识，可以很好地提升模型的性能，目前基本成为模型的标配。最近几年逐渐出了很多新的数据增强方法，在本文将对数据增强做一个总结。 本文介

​ 前言： 本文介绍了Siamese (连体)网络的主要特点、训练和测试Siamese网络的步骤、Siamese网络的应用场合、Siamese网络的优缺点、为什么Siamese被称为One-shot分