轻量级网络主干汇总 22种

  轻量级网络的核心是在尽量保持精度的前提下，从体积和速度两方面对网络进行轻量化改造，本文对轻量级网络进行简述，主要涉及以下网络：SqueezeNet系列ShuffleNet系列MnasN...

点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者丨VincentLee来源丨晓飞的算法工程笔记编辑丨极市平台导读早期的卷积神经很少考虑参数量和计算量的问题，由此轻量级网络诞生，...

CondenseNet特点在于可学习分组卷积的提出，结合训练过程进行剪枝，不仅能准确地剪枝，还能继续训练，使网络权重更平滑，是个很不错的工作   来源：晓飞的算法工程笔记 公众号论文:Neural Architecture Search with Reinforcement Learning论文地址：https://arxiv.org/abs/1711.09224论文代码：https://gith...

SqueezeNet系列 ShuffleNet系列 MnasNet MobileNet系列 CondenseNet ESPNet系列 ChannelNets PeleeNet IGC系列 FBNet系列 EfficientNet GhostNet WeightNet MicroNet 轻量级网络(MobileNetV2、ShuffleNetV2) 轻量级检测(Light..

本文给大家带来的是改进机制是一种替换Conv的模块，其是在CGNet论文中提出的一种模块，其基本原理是模拟人类视觉系统依赖上下文信息来理解场景。CG block 用于捕获局部特征、周围上下文和全局上下文，并将这些信息融合起来以提高准确性。(经过我检验分别在三种数据集上，大中小均进行了150轮次的实验，均有一定程度上的涨点，下面我选取了一种中等大小的数据集的结果进行了对比)，同时本文的修改方法和之前的普通卷积模块也有所不同，大家需要注意看章节四进行修改。适用检测目标：所有的目标检测均有一定的提点。

MobileNetV1 MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications 原文地址：MobileNetV1 代码: TensorFlow官方 github-Tensorflow github-Caffe Abstract MobileNets是为移动和嵌入式设

paper链接：EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks 官方代码：https://github.com/tensorflow/tpu/tree/master/models/official/efficientnet

MobileNet系列作为轻量级网络的经典代表，使得CNN轻量化和移动端部署成为可能。它进行卷积的参数比标准卷积要少很多。MobileNet系列目前总共有三个版本， 分别是MobileNet v1、MobileNet v2和MobileNet v3。作为学习轻量化网络的必经之路，本文重点对MobileNet系列网络进行阐述。 MobileNetV1 MobileNet就是把VGG中的标准卷积层换成深度可分离卷积就可以了，可分离卷积主要有两种类型，空间可分离和深度可分离卷积。空间可分离就是将一个大的卷积核

Intrudoction 在论文中，作者介绍了放大卷积神经网络是一种常见的提高模型准确率的方法。但是在传统的方法中，通常只是在某单一维度上进行放大（宽度width，深度depth，图片分辨率resolution），宽度就是网络中的过滤器的数量，因为增加了过滤器的数量，该层的输出的通道数就相应变大了，深度可以理解为整个网络结构的长度，及时网络中layer的数量。那么为什么在这几个维度上进行放大可以提高准确率？因为增加了图片的分辨率或增加了网络的宽度，网络就能够捕获到更过细节的特征，而增加网络的深度能够捕获到