神经网络BackBone总结

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 Bachbone 之 VGGNet：走向深度 2014年的VGGNet荣获ImageNet亚军，其主张探索网络深度与性能的关系，用更小的卷积核与更

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 单阶段多层检测器：SSD （理论及Pytorch代码详解） 背景： 对于物体检测任务，前面Faster RCNN算法采用了两阶的检测架构，即首先利

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 R-FCN：走向全卷积的网络 1.背景： 由于全连接的参数量过大，现在越来越多的网络开始去掉全连接，R-FCN就是一个很好的例子！而且个人认为全卷

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 网络中的网络：NiN 前几节介绍的LeNet、AlexNet和VGG在设计上的共同之处是：先以由卷积层构成的模块充分抽取空间特征，再以由全连接层构

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 Mask RCNN：走向实例级分割 背景： 继提出Faster RCNN之后，大神何凯明进一步提出了新的实例分割网络Mask RCNN，该方法在高

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 Backbone 之 Inception：纵横交错 背景： 一般来说，增加网络的深度和宽度可以提升网络的性能，但是这样做也会带来参数量的大幅度增加

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 Faster RCNN总结（优缺点说明） 1.Faster RCNN的特点及优点： 性能优越：Faster RCNN通过两阶网络与RPN，实现了精

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 从端到端的Fast RCNN到走向实时的Faster RCNN (原理及Pytorch代码解析) RCNN 背景： RCNN全称为Regions

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 Backbone 之 DetNet：为检测而生（Pytorch实现及代码解析） 背景： 前面几节的网络骨架，如VGGNet和ResNet等，虽从各

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 Bachbone 之 DenseNet：继往开来（Pytorch实现） 背景: 上一节的ResNet通过前层与后层的“短路连接”（Shortcut

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 Cascade RCNN：走向检测器的级联 背景： 从之前的知识可知，在得到一个RoI后，Faster RCNN通过RoI与标签的IoU值来判断该

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 Backbone 之 FPN：特征金字塔 （Pytorch实现及代码解析） 背景： 为了增强语义性，传统的物体检测模型通常只在深度卷积网络的最后一

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 Backbone 之 ResNet：里程碑 背景： ​ 由于随着网络的层数不断加深，网络训练变得越发地困难，一方面会产生梯度消失的现象，另一方面月