megengine框架的图像分类SNetV2_0.5模型(ImageNet)

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.

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。

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

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

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

Keras实现SEnet注意力机制模块

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

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

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.