1.38.经典卷积网络 1.38.1.LeNet 1.38.1.1.介绍 1.38.1.2.网络结构 1.38.1.3.代码实现 1.38.2.AlexNet 1.38.2.1.介绍 1.38.2.2.网络结构 1.38.2.3.代码实现 1.38.3.VGG 1.38.3.1.介绍 1.38.3.2.网络结构 VGG-16 1.38.3.3.代码实现 1.38.4.GoogleNet 1.38.

本次训练用了SSD模型，代码为GitHub上lufficc那一版，backbone为mobilenetv1，自己试着修改的，很艰难。完了之后感觉对网络模型的理解又深了一层。在此简要叙述遇到的问题。 1.参考资料 SSD 论文详解 VGG16结构图 VGG16模型 SSD原理解读-从入门到精通 SSD的理解及应用 我要彻底搞懂SSD网络结构（2）特征提取网络 pytorch 实现SS

简言 MobileNet系列包括V1、V2和V3，专注于轻量级神经网络。MobileNetV1采用深度可分离卷积，MobileNetV2引入倒残差模块，提高准确性。MobileNetV3引入更多设计元素，如可变形卷积和Squeeze-and-Excitation模块，平衡计算效率和准确性。这三个系列在移动设备和嵌入式系统上取得成功，为资源受限的环境提供高效的深度学习解决方案。 mobilene

目录 一. 引言 二. 相关研究 三. Depthwise Separable Convolution 1. 深度分类卷积示例 四. MobileNet网络结构 五. MobileNet瘦身 六. 实验 1. 模型选择 2. Model Shrinking Hyperparameters 2.1 单参数验证 2.2 交叉验证计算量对精度影响 2.3 交叉验证参数量对精度影响

一、本文介绍 本文给大家带来的改进机制是MobileNetV1，其是专为移动和嵌入式视觉应用设计的轻量化网络结构。这些模型基于简化的架构，并利用深度可分离卷积构建轻量级深度神经网络，其引入了两个简单的全局超参数，用于在延迟和准确性之间进行有效的权衡。实验表明，MobileNets在资源和准确性的权衡方面表现出色，并在多种应用（如对象检测、细粒度分类、面部属性识别和大规模地理定位）中展现了其有效性

关于Brainwash数据集         Brainwash数据集是一个密集人头检测数据集，拍摄的是在一个咖啡馆里出现的人群，然后对这群人进行标注而得到的数据集。包含三个部分，训练集：10769张图像81975个人头，验证集：500张图像3318个人头。测试集：500张图像5007个人头。         对于此数据集，其中brainwash_test.idl、brainwash_trai