1 南溪推荐的主干网络——resnet50_dcn

2 主干网络的设计范式

2.1 卷积层

2.1.1 使用深度可分离卷积

较好的应用就是Xception，Xception在PaddlePaddle的排行榜中也展现了很好的结果；

2.2 特征融合——使用1x1卷积

使用1x1卷积来进行特征融合；

2.3 激活函数——ReLU（推荐）

可以选择的激活函数有ReLU和Mish函数；

2.3.1 Mish函数

这里记录一个Mish函数的简单实现，

class Mish(nn.Module):def forward(self, x):return x * torch.nn.functional.softplus(x).tanh()

实际测试的结果不是很理想，原因是以上用pure-torch实现的Mish()函数会占用较多的显存，

（所以无奈之下，南溪只好将bs=3），不过这样子在QMV上的结果没有基于ReLU的resnet50_dcn效果好，

所以南溪还是暂时选择ReLU函数；

《南溪的目标检测学习笔记》——主干网络backbone设计的学习笔记相关推荐

《南溪的目标检测学习笔记》——模型预处理的学习笔记
1 介绍在目标检测任务中,模型预处理分为两个步骤: 图像预处理:基于图像处理算法数值预处理:基于机器学习理论关于图像预处理,请参考<南溪的目标检测学习笔记>--图像预处理的学习笔记 ...
《南溪的目标检测学习笔记》——目标检测模型的设计笔记
1 南溪学习的目标检测模型--DETR 南溪最赞赏的目标检测模型是DETR, 论文名称:End-to-End Object Detection with Transformers 1.2 decode ...
《南溪的目标检测学习笔记》——夏侯南溪的CNN调参笔记，加油
1 致谢感谢赵老师的教导! 感谢张老师的指导! 2 调参目标在COCO数据集上获得mAP>=10.0的模型,现在PaddleDetection上的Anchor-Free模型[TTFNet]的 ...
《南溪的目标检测学习笔记》——COCO数据集的学习笔记
1 COCO数据集 COCO数据集下载链接:COCO_download 1.1 数据概览数据集大小 train: 118287张 train+val: 123287张 val: 5000张目标数量 ...
《南溪的目标检测学习笔记》的笔记目录
1 前言这是<南溪的目标检测学习笔记>的目录~ 2 学习目标检测的思路--"总纲" <南溪的目标检测学习笔记>--目标检测的学习笔记我在这篇文章中介绍了 ...
目标检测——主干网络backbone的测试方法
1 前言最近自己在联系写作Xception,在测试的时候,希望写一下笔记记录自己的经验和体会- 2 主干网络backbone的测试方法 2.1 自洽性(self consistency)测试主要是 ...
目标检测之空间变形网络(STN)
目标检测之空间变形网络(STN) 一.STN定义 STN:是一个可以放置在CNN前面,或嵌入到CNN其中的某一环节的模块(空间变形器),是Google旗下 DeepMind 公司的研究成果.该论文提出 ...
夏侯南溪搭建目标检测模型——文件结构设计篇
1 前言此文章是夏侯南溪搭建目标检测模型--文件夹结构设计篇- 2 文件夹命名使用小写字母命名,单词之间用短线"-"进行连接,例如: plane-detection 3 项目文 ...
【NIPS2018】实时联合目标检测与语义分割网络
本文发表于第32届神经信息处理系统会议(NIPS 2018),是法国汽车零部件供应商法雷奥集团(Valeo)研究提出的一种用于自动驾驶领域的多任务神经网络,可同时执行目标检测与语义分割任务. 代码开源 ...

《南溪的目标检测学习笔记》——主干网络backbone设计的学习笔记