layer Bottleneck layer又称之为瓶颈层，使用的是1*1的卷积神经网络。 使 ...

​ 本文来自公众号“每日一醒” ​ ​ SPP 对于一个CNN模型，可以将其分为两个部分： 前面包含卷积层、激活函数层、池化层的特征提取网络，下称CNN_Pre， 后面的全连接网络，下称CNN_Post。 许多CNN模型都对输入的图片大小有要求，实际上 ...

基于空间金字塔池化的卷积神经网络物体检测 原文地址：http://blog.csdn.net/hjimce/article/details/50187655 作者：hjimce 一、相关理论 本篇博文主要讲解大神何凯明2014年的paper ...

空间金字塔池化技术， 厉害之处，在于使得我们构建的网络，可以输入任意大小的图片，不需要经过裁剪缩放等操作。 是后续许多金字塔技术（psp,aspp等）的起源，主要的目的都是为了获取场景语境信息，获取上下文的联系。 如图所示，对于选择的不同大小的区域对应到卷积之后的特征图上 ...

https://zhuanlan.zhihu.com/p/65377955 分组卷积：把特征图分成g组，分别用g组卷积核进行卷积然后在通道数相加 深度可分离卷积将卷积操作中的滤波和维数变换分开成两组卷积 ...

以[3,64,64]的input为例,假设我们要得到[4,64,64]的output.以3x3卷积核为例. 常规的卷及操作如下图所示: 参数量共计3 x 3 x 3 x 4 = 108. 深度可分离卷积可分为2个部分 depthwise convolution pointwise ...

常规卷积 常规卷积中，连接的上一层一般具有多个通道（这里假设为n个通道），因此在做卷积时，一个滤波器（filter）必须具有n个卷积核（kernel）来与之对应。一个滤波器完成一次卷积，实际上是多个卷积核与上一层对应通道的特征图进行卷积后，再进行相加，从而输出下一层的一个通道特征图。在下一层中 ...

1、深度可分离卷积 Depthwise Separable Convolution （一）结构 实质上是将标准卷积分成了两步：depthwise卷积和pointwise卷积。 标准卷积： depthwise卷积： pointwise卷积： 2、代码实现 [32 ...