神经网络走向轻量化

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 SqueezeNet：压缩、扩展和融合（提供代码） 背景： 当物体检测应用到实际工业场景时，模型的参数量是一个十分重要的指标，较小的模型可以高效地

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 ShuffleNet：通道的混洗 背景： 为了降低计算量，当前先进的卷积网络通常在3×3卷积之前增加一个1×1卷积，用于通道间的信息流通与降维。然

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 利用PaddleDetection部署自己的轻量级移动检测嵌入式平台（多种高性能网络模型）--Pytorch实现 全部源码均在PaddleDete

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 MobileNet：深度可分离 背景： SqueezeNet虽在一定程度上减少了卷积计算量，但仍然使用传统的卷积计算方式，而在其后的MobileN

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 HyperNet: 走向特征融合，提高小物体检测精度 1.背景： 卷积神经网络的特点是，深层的特征体现了强语义特征，有利于进行分类与识别，而浅层的

本文已参与「新人创作礼」活动，一起开启掘金创作之路。 深度神经网络压缩和加速简介 1.背景介绍 深度学习模型的压缩和加速是指利用神经网络参数的冗余性和网络结构的冗余性精简模型,在不影响任务完成度的情况