- 博客(6)
- 收藏
- 关注
RSS订阅
1原创 什么是二维批量归一化操作（Batch Normalization, BN）
１、通道独立：BN对每个通道单独计算 μ 和 σ² ，其他通道不影响当前通道。２、批次统计：均值和方差来自批次内所有样本的同一通道数据（共 B×H×W 个值）。３、训练与测试区别训练时：使用当前批次的 μ 和 σ²。测试时：使用训练时累积的移动平均 μ 和 σ²通过BN，数据被归一化到均值为0、方差为1的分布，从而加速训练并提升模型稳定性。
2025-04-13 09:44:43
1631
原创 NLNet非局部神经网络
其中，i 是输入特征中要被计算的位置，j 是 x_i 所有可能关联到位置的索引。f 是位置间的类同标量函数，用于计算两位置间的相关性(就是NLM中的权重)。g 是位置输入信号函数，对输入的特征进行赋权，C(x)是归一化因子。f(x_i,x_j) 用于计算像素域 x_i和 x_j的相似度，作为像素域 x_j的权重，这样通过累加求均值，获得的y_i便捕获了整张图像的长距离依赖关系。(y_i可以看作整张图像与在y_i位置上的原像素的相似度相乘求均值得到的。到这里可能还会说f究竟是什么？
2025-04-11 15:39:58
1961
原创 自适应空间特征融合(ASFF)详解
如果一幅图像中既有大目标也有小目标，那么不同层间的特征的不一致性将会影响最后检测结果（大目标的检测在某一层，小目标的检测在另一层，但是网络的多尺寸检测不会仅仅检测一个特定的区域，而是综合整幅图进行检测。对于权重参数α，β和γ，则是通过resize后的level1~level3的特征图经过1×1的卷积得到的。每一个level都有一个独立的1×1卷积核，即1×1卷积在同一level权重是共享的（即同一层内所有空间位置使用相同的卷积核参数），但不同层级（Level 1/2/3）的 1×1 卷积是独立的。
2025-04-11 14:44:48
1027
原创 随机池化详解+示例演示
随机池化（Stochastic Pooling） 是一种替代传统最大池化（Max Pooling）和平均池化（Average Pooling）的方法，它的核心思想是按特征值的概率随机采样，既能保留显著特征，又能避免过度丢弃信息。下面通过具体例子详细解释它的计算过程和特点。
2025-04-11 14:30:03
299
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人