megengine框架的图像分类SNetV2_0.5模型(ImageNet)
2022-10-17 12:07:33 4.88MB megengine 分类模型 senet
1
随着无人驾驶和智能驾驶技术的发展,计算机视觉对视频图像检测的实时性和准确性要求也越来越高.现有的行人检测方法在检测速度和检测精度两个方面难以权衡.针对此问题,提出一种改进的Faster R-CNN模型,在Faster R-CNN的主体特征提取网络模块中加入SE网络单元,进行道路行人检测.这种方法不仅能达到相对较高的准确率,用于视频检测时还能达到一个较好的检测速率,其综合表现比Faster R-CNN模型更好.在INRIA数据集和私有数据集上的实验表明,模型的mAP最好成绩能达到93.76%,最高检测速度达到了13.79 f/s.
2022-05-05 20:12:48 1.06MB 行人检测 卷积神经网路 Faster R-CNN
1
Pytorch实现SENet模型在CIFAR10数据集上的测试。ipynb文件,包含了完整的训练、测试输出数据。
2021-12-26 17:10:30 37KB pytorch cifar10 python
1
Basic_CNNs_TensorFlow2 一些基本CNN的tensorflow2实现。 包括的网络: MobileNet_V1 MobileNet_V2 SE_ResNet_50,SE_ResNet_101,SE_ResNet_152,SE_ResNeXt_50,SE_ResNeXt_101 挤压网 ShuffleNetV2 RegNet 其他网络 对于AlexNet和VGG,请参见: : 对于InceptionV3,请参见: : 对于ResNet,请参阅: : 培养 要求: Python> = 3.6 Tensorflow> = 2.4.0 tensorfl
1
SENet-Tensorflow 使用Cifar10的简单Tensorflow实现 我实现了以下SENet 如果您想查看原始作者的代码,请参考此 要求 Tensorflow 1.x Python 3.x tflearn(如果您易于使用全局平均池,则应安装tflearn ) 问题 图片尺寸 在纸上,尝试了ImageNet 但是,由于Inception网络中的图像大小问题,因此我对Cifar10使用零填充 input_x = tf . pad ( input_x , [[ 0 , 0 ], [ 32 , 32 ], [ 32 , 32 ], [ 0 , 0 ]]) # size 32x32
2021-11-19 11:34:38 304KB tensorflow densenet inception inception-resnet
1
SENet.mxnet 挤压和激励网络的MXNet实现( SE-ResNext 18,50,101,152,SE-Resnet,SE-Inception-v4和SE-Inception-Resnet-v2 ) 这是的挤压和激发网络( SE-ResNext,SE-Resnet,SE-Inception-v4和SE-Inception-Resnet-v2 )体系结构,如提出的。等al。 他们在SENet中部署了此SE块,并赢得了Imagenet 2017分类任务。 作者的caffe实现可在GitHub的中找到。 这是“挤压和激励”块的图示。 SE-ResNet模块的实现如下: SE-ResNext 50的实现如下表所示: 此MXNet实现。 我还从了。 顺便说一句,我在最后一个FullyConnected层之前添加了一个辍学层。 对于Inception v4,我从引用了MXnet
2021-09-02 21:23:10 345KB Python
1
Keras实现SEnet注意力机制模块
2021-08-05 22:06:40 363B 神经网络 cv 注意力机制
1
这是SENet的PyTorch实施(在ImageNet数据集上进行训练) 论文: 用法 准备数据 该代码以ImageNet数据集为例。 您可以下载ImageNet数据集,并将其放入如下位置。 由于内存限制,我仅提供ILSVRC2012_dev_kit_t12 ,换句话说,您需要下载ILSVRC2012_img_train和ILSVRC2012_img_val 。 ├── train.py # train script ├── se_resnet.py # network of se_resnet ├── se_resnext.py # network of se_resnext ├── read_ImageNetData.py # ImageNet dataset read script ├── ImageData # train and validation data ├── IL
2021-06-18 10:09:45 261KB 附件源码 文章源码
1
环境: tensorflow 2.1 最好用GPU 模型: Resnet:把前一层的数据直接加到下一层里。减少数据在传播过程中过多的丢失。 SENet: 学习每一层的通道之间的关系 Inception: 每一层都用不同的核(1×1,3×3,5×5)来学习.防止因为过小的核或者过大的核而学不到图片的特征。 用Resnet ,SENet, Inceptiont网络训练Cifar10 或者Cifar 100. 训练数据:Cifar10 或者 Cifar 100 训练集上准确率:97.11%左右 验证集上准确率:90.22%左右 测试集上准确率:88.6% 训练时间在GPU上:一小时多 权重大小:21
2021-05-13 13:53:51 55KB ar c ce
1
该资源给出了论文 Squeeze-and-Excitation Networks 整体的思维导图情况,可以更方便的加深对论文的理解与应用,所使用的软件是 XMind zen.
2021-05-08 21:20:04 498KB SENet XMind 思维导图
1