目标检测和目标跟踪很多模型都会用到RPN层，anchor是RPN层的基础，而感受野（receptive field，RF）是anchor的基础。
感受野的作用：
一般来说感受野越大越好，比如分类任务中最后卷积层的感受野要大于输入图像。
感受野足够大时，被忽略的信息就较少。
目标检测任务中设置anchor要对齐感受野，anchor太大或者偏离感受野会对性能产生一定的影响。
增大感受野的方法：使用空洞卷积；使用池化层；增大卷积核。
阅读全文 → 2023-01-11
局部连接。比起全连接，局部连接会大大减少网络的参数。在二维图像中，局部像素的关联性很强，设计局部连接保证了卷积网络对图像局部特征的强响应能力。 权值共享。参数共享也能
阅读全文 → 2023-01-10
常规精度一般使用FP32（32位浮点，单精度）占用4个字节，共32位；低精度则使用FP16（半精度浮点）占用2个字节，共16位，INT8（8位的定点整数）八位整型，占用1个字节等。
混合精度（Mixed precision）指使用FP32和FP16。 使用FP16 可以减少模型一半内存，但有些参数必须采用FP32才能保持模型性能。
虽然INT8精度低，但是数据量小、能耗低，计算速度相对更快，更符合端侧运算的特点。
不同精度进行量化的归程中，量化误差不可避免。
在模型训练阶段，梯度的
阅读全文 → 2023-01-10
Two-stage目标检测算法：先进行区域生成（region proposal，RP）（一个有可能包含待检物体的预选框），再通过卷积神经网络进行样本分类。其精度较高，速度较慢。
主要逻辑：特征提取—>生成RP—>分类/定位回归。
常见的Two-stage目标检测算法有：Faster R-CNN系列和R-FCN等。
One-stage目标检测算法：不用RP，直接在网络中提取特征来预测物体分类和位置。其速度较快，精度比起Two-stage算法稍低。
主要逻辑：特征提取—>分类
阅读全文 → 2023-01-10
在训练阶段，BN层是对每一批的训练数据进行标准化，即用每一批数据的均值和方差。（每一批数据的方差和标准差不同）；
而在测试阶段，我们一般只输入一个测试样本，并没有batch的概念。因此这个时候用的均值和方差是整个数据集训练后的均值和方差，可以通过滑动平均法
阅读全文 → 2023-01-10
池化层的作用是对感受域内的特征进行选择，提取区域内最具代表性的特征，能够有效地减少输出特征数量，进而减少模型参数量。按操作类型通常分为最大池化(Max Pooling)、平均池化(Average Pooling)和求和池化(Sum Pooling)，它们分别提取感受域内最大、平均与总和的特征值作为输出，最常用的是最大池化和平均池化。
阅读全文 → 2023-01-09
网络研讨会
了解更多
注册以接收 蓝海大脑 活动/网络研讨会邀请
地址：北京市海淀区东北旺南路29号蓝海中心
联系电话：010－82770520
联系邮箱：marketing@lanhy.cn
蓝海大脑 京ICP备18017748号-1