[目标检测][目标识别]模型性能测试
在目标检测和目标识别任务中,常用以下几种评价标准:
- 参数数目
FLOPsFPSAccuracy/Error RatemAP
结合PyTorch完成了相关评价标准的实现:zjZSTU/Evaluation-Metrics
相关实现文档:Evaluation-Metrics
[GoogLeNet]Inception_v3
论文Rethinking the Inception Architecture for Computer Vision对GoogLeNet和GoogleNet_BN的实现做了进一步的解释,同时提出了新的Inception模块和损失函数LSR(label-smoothing regularizer)
上一篇实现了Inception_v2架构,经过测试发现其损失收敛速度确实高于之前的GoogLeNet_BN。本文在此基础上实现Inception_v3架构
论文翻译地址:[译]Rethinking the Inception Architecture for Computer Vision
Inception_v2实现:[GoogLeNet]Inception_v2
发现一个在线可视化工具:Netscope CNN Analyzer,里面提供了Inception v3的可视化及详细参数:Inception v3
[GoogLeNet]Inception_v2
论文Rethinking the Inception Architecture for Computer Vision对GoogLeNet和GoogleNet_BN的实现做了进一步的解释,同时提出了新的Inception模块和损失函数LSR(label-smoothing regularizer),本文实现其中的Inception_v2架构
论文翻译地址:[译]Rethinking the Inception Architecture for Computer Vision
[译]Rethinking the Inception Architecture for Computer Vision
GoogLeNet_BN
论文Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift将批量归一化方法作用于卷积神经网络,通过校正每层输入数据的数据分布,从而达到更快的训练目的。在文章最后,添加批量归一化层到GoogLeNet网络,得到了更好的检测效果

GoogLeNet
学习了论文Going deeper with convolutions,尝试进一步推导其模型,并使用PyTorch实现该网络
批量归一化:通过减轻内部协变量偏移来加速深度网络训练
学习论文Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift,里面提出了批量归一化(Batch Normalization,简称BN)方法,一方面能够大幅提高训练速度,另一方面也能够实现更好的模型精度
[数据集][PASCAL VOC]07+12
综合PASCAL VOC 2007和2012数据集,进行分类/检测任务。分两步完成:
- 下载
07 trainval、07 test、12 trainval数据集,解析出分类/检测需要的数据 - 根据具体任务(分类或者检测)从中提取数据
相关实现:zjykzj/vocdev
[数据集]PASCAL VOC 2012
相比于之前的挑战赛,PASCAL VOC 2012增加了更多的训练和测试图像,同时,这也是最后一届挑战赛。其关于PASCAL VOC以及之前挑战赛的内容参考:
相关实现:zjykzj/vocdev