CNN 论文及代码汇总，持续更新中~~

置顶 已于 2024-05-15 17:32:00 修改
阅读量680 收藏 11
点赞数 23
CC 4.0 BY-SA版权
文章标签： 神经网络 CVPR CNN 计算机视觉
于 2024-03-16 15:33:37 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/john_bh/article/details/136715872
本文汇总了最新的CNN论文，包括PeLK：一种参数高效的大型核卷积网络，通过外围卷积减少参数复杂度，扩展内核大小至101×101。另外介绍了DCNv4，优化了Deformable Convolution，提升了速度和性能。此外，StarNet展示了星形运算在紧凑网络中的强大潜力，通过多层堆叠实现隐式高维度特征空间。

转载请注明作者和出处：http://blog.csdn.net/john_bh/

** CNN 论文及代码汇总，持续更新中~~**

文章目录

1. Metrics

2. Paper List

2.1 Survey

  1. XXXXX

2.2 Papers

2024

  1. PeLK: Parameter-efficient Large Kernel ConvNets with Peripheral Convolution — CVPR 2024
    一些大型的核卷积神经网络可以取得令人满意的性能和效率，然而，考虑到卷积的平方复杂度，按比例扩大 Kernels 会产生大量的参数，而扩散的参数会导致严重的优化问题。由于这些问题，目前的 cnn 以 stripe convolution 的形式扩展到51 × 51(即51 × 5 + 5 × 51)，并随着kernels 大小的持续增长而开始饱和。在本文中，将深入研究这些关键问题，并探讨是否可以继续扩展内核以获得更多性能提升。鉴于人类的周边视觉的周边区域只有极少量的感光细胞，认为密集的参数对于周边相互作用来说并不是必需的。受此启发，寻求通过引入peripheral vision mechanism 来降低参数复杂度，同时保留密集计算以保持密集卷积的强大性能 , 提出了一种类似人类的 peripheral convolution ，通过参数共享有效地减少了密集网格卷积90%以上的

最低0.47元/天 解锁文章

200万优质内容无限畅学
john_bh
关注
深度补全 论文及代码汇总，持续更新中~~
不忘初心~
03-14 3040
depth completion
CVPR 2021 结果出炉！最全论文下载及分类汇总（更新中）
极市平台的技术博客
03-01 6万+
CVPR2021接受论文待更新~ 在2020年，目标检测与人脸方向热度经久不衰，目标跟踪、行人检测与重识别、图像分割等方向也占据大头，那么今年的热门方向将会有哪些？大家可以预测一波~ 极市一直非常关注CVPR，在每年都会进行CVPR相关的论文资源整理，包括论文解读、代码、技术直播、分方向盘点、最佳论文汇总等，也得到了许多开发者的支持。在Github上，极市的CVPR盘点已经收获了5.7K star。在今年，我们也会对CVPR2021进行实时跟进。 Github项目地址： https://github.
CNN-经典论文阅读(2012-AlexNet)ImageNet Classification with Deep Convolutional Neural Networks
qq_34621022的博客
03-14 3892
ImageNet Classification with Deep Convolutional Neural Networks 1. 论文综述 1.解决什么问题 2.用什么方法解决了问题 3.解决的效果如何 4.还存在的问题
你应该知道的9篇深度学习论文（CNNs 理解）
热门推荐
以后以后的专栏
04-08 7万+
当时看到英文的博客，本想翻译给感兴趣的同学们看看，没想到已经有人翻译，于是作个转载，留给自己和更多的人学习。 英文博客：https://adeshpande3.github.io/adeshpande3.github.io/The-9-Deep-Learning-Papers-You-Need-To-Know-About.html 原文网址：http://blog.csdn.n
PeLK：通过周边卷积的参数高效大型卷积神经网络
qq_40734883的博客
04-22 1122
提出了一种类似人类的周边卷积human-like peripheral convolution，通过参数共享有效地减少了密集网格卷积的90%以上的参数量，并成功地将内核尺寸扩展到非常大。周边卷积行为类似于人类，将卷积的复杂度从$O(K^{2})$降低到$O(log K)$，而不会牺牲性能。在此基础上，作者提出了参数高效的大型内核网络（PeLK）。提出的PeLK在ImageNet分类、ADE20K语义分割和MS COCO目标检测等各种视觉任务上超越了现代视觉Transformer和卷积神经网络架构，如Swin
CNN基础论文 精读+复现----GoogleNet & InceptionV1 (一)
深度不学习！！的博客
03-19 6231
CNN基础论文 精读+pytorch复现代码 GoogleNet & InceptionV1
PeLK~
whaosoft143ai的博客
03-14 462
超大核卷积神经网络的设计，作者提出了一种新的卷积形式，称为外围卷积，它可以将密集卷积的参数复杂度从 𝑂 ⁢ ( 𝐾 2 ) 降低到 𝑂 ⁢ ( log ⁡ 𝐾 ) ，同时保持密集卷积的优点。然而，考虑到卷积的平方复杂度，扩大内核会带来大量的参数，而大量的参数会引发严重的优化问题。本文探讨了超大核卷积神经网络的设计，作者提出了一种新的卷积形式，称为外围卷积，它可以将密集卷积的参数复杂度从𝑂 ⁢ ( 𝐾 2 ) 降低到𝑂 ⁢ ( log ⁡ 𝐾 ) ，同时保持密集卷积的优点。i）聚焦和模糊机制。
计算机视觉中的 CNN&Transformer&MLP Backbone网络模型设计前沿研究总结 (持续更新)
weixin_42716570的博客
05-17 3194
简介 随着Vision Transformer的发展，利用CNN与Transformer相结合、基于纯Transformer设计的网络架构层出不穷。与此同时，相当一部分研究聚焦于探讨Transformer的必要性，并由此出现了多层感知机(Multi layer perceptron, MLP)、傅里叶变换(Fourier transform)等替代Transformer组件构建backbone的研究。 本文力图将现有前沿同Transformer相关或力图替代Transformer结构的相关研究汇总到一起，将
【汇总】行为识别、时序行为检测、弱监督行为检测、时空行为定位论文代码（持续更新！！！）
volcano_Lin 的博客
12-08 4223
视频行为识别与轻量化网络的前沿论文、代码等 https://zhuanlan.zhihu.com/c_1207774575393865728 CVPR 2020 行为识别/视频理解论文汇总 https://zhuanlan.zhihu.com/p/141429177 CVPR 2020 论文大盘点-动作识别篇 https://cloud.tencent.com/developer/article/1664055 CVPR 2020 论文大盘点-动作检测与动作分割篇 https://www.sohu.com/
新一代大核卷积反超ViT和ConvNet！同参数量下性能、精度、速度完胜
学姐带你玩AI的博客
06-14 1476
它使用较大的卷积核来处理图像数据，以提高模型对视觉信息的理解和处理能力。这种类型的网络能够捕捉到更多的空间信息，因为它的大步长和大感受野可以一次性覆盖图像的更多区域。比如美团提出的PeLK网络，内核大小可以达到101x101，同参数量下性能反超 ViT，目前已被CVPR 2024收录。更值得一提的，大核卷积网络不仅在性能上有所提升，在ImageNet分类等任务上，也展现出了优于ViT和ConvNet架构的效果。
PeLK：101 x 101 的超大卷积网络，同参数量下反超 ViT | CVPR 2024
晓飞的算法工程笔记
04-24 873
最近，有一些大型内核卷积网络的研究，但考虑到卷积的平方复杂度，扩大内核会带来大量的参数，继而引发严重的优化问题。受人类视觉的启发，论文提出了外围卷积，通过参数共享将卷积的复杂性从OK2降低到OlogK，有效减少 90% 以上的参数数量并设法将内核尺寸扩大到极限。在此基础上，论文提出了参数高效的大型内核网络（PeLK），将CNN的内核大小扩展到前所未有的101×101，性能的也在持续提升。来源：晓飞的算法工程笔记 公众号。
PeLK: 大卷积核强势回归，高达101 × 101，提出了外围卷积
AI数据工厂
04-27 2446
PeLK：超大卷积核，高达101*101！
人工智能-python-深度学习-神经网络-GoogLeNet
x112xxds的博客
09-08 897
本文详细解析了GoogLeNet(Inception v1)的核心思想与实现。GoogLeNet通过创新性的Inception模块（多尺度并行卷积+1×1降维）实现了高效特征提取，在保持精度的同时大幅降低参数量。文章内容包括：1）模型核心设计思想；2）网络逐层结构详解；3）Inception模块计算示例；4）关键设计点解析；5）PyTorch实现方案。重点阐述了1×1卷积的降维作用、多尺度特征提取原理，并通过具体计算演示了参数与计算量的估算方法。文章最后提供了可直接运行的PyTorch代码示例，便于读者快速
人工智能-python-深度学习-神经网络VGG（详解）
x112xxds的博客
09-08 770
VGG神经网络详解：小卷积核堆叠加深网络结构 VGG是2014年由牛津大学Visual Geometry Group提出的深度学习模型，其核心思想是使用统一的小型3×3卷积核堆叠来构建深度网络。VGG在ImageNet竞赛中取得优异成绩，证明了网络深度对特征提取能力的重要性。 主要特点： 采用多层3×3卷积核替代大核卷积，在保持感受野的同时减少参数量 每个block包含多个卷积层后接2×2最大池化 通道数随网络深度翻倍增长(64→128→256→512) VGG-16是典型实现，包含13个卷积层和3个全连接
一天认识一个神经网络之--CNN卷积神经网络
zczyyds的博客
08-28 2853
CNN 是一种非常强大的深度学习模型，尤其擅长处理像图片这样的网格结构数据。你可以把它想象成一个系统，它能像我们的大脑一样，自动从图片中学习并识别出各种特征，比如边缘、角落、纹理，甚至是更复杂的物体部分（比如眼睛或者车轮）。可以把CNN“看”图的过程想象成一个侦探在分析一张照片寻找基础线索 (Detecting Basic Features): 最开始，CNN就像一个拿着放大镜 🔎 的侦探。它不会立刻去看整张图，而是逐个小区域地扫描，寻找最基础的线索，比如边缘、角落、颜色变化等。
人工智能-python-深度学习-神经网络-MobileNet V1&V2
x112xxds的博客
09-08 532
MobileNet系列是专为移动端设计的轻量级卷积神经网络，通过深度可分离卷积、宽度缩放和倒置残差结构实现高效计算。本文详细解析了MobileNet V1和V2的核心原理，包括逐层计算示例、参数比较和计算量分析，并提供了完整的PyTorch实现代码。V1采用深度可分离卷积节省8-9倍计算量，V2引入倒置残差和线性瓶颈进一步优化性能。文章包含可直接运行的代码示例，帮助读者快速上手和实践模型改进。
深度学习（二）：神经元与神经网络
最新发布
www_dong的博客
09-08 944
在人工智能的浪潮中，（Neural Networks）无疑是驱动核心技术的引擎，它赋予了计算机前所未有的学习和识别能力。而这一切的起点，是受到生物大脑中基本单元——（Neurons）的深刻启发。从一个微小的生物细胞到复杂的计算模型，神经元与神经网络共同构成了人工智能的强大基石。
三、神经网络
weixin_62043600的博客
09-05 1015
本文介绍了神经网络的基础知识及其实现方法。主要内容包括：1. 从感知机到神经网络的过渡，重点讲解了激活函数（如sigmoid、ReLU）的作用及其与阶跃函数的区别；2. 神经网络的多层结构实现，包括权重矩阵运算和各层信号传递；3. 输出层设计，针对分类问题使用softmax函数，回归问题使用恒等函数；4. 手写数字识别的实际应用，通过MNIST数据集展示了神经网络推理处理的全过程，包括批处理加速技术；5. 强调了神经网络通过自动学习权重参数解决了感知机需要人工设定权重的局限性。文章通过Python代码示例，
人工智能-python-深度学习-经典神经网络AlexNet
x112xxds的博客
09-08 799
摘要：AlexNet是2012年提出的突破性卷积神经网络，在ILSVRC-2012竞赛中以15.3%的top-5错误率大幅领先。其核心创新包括：采用ReLU激活函数缓解梯度消失、使用局部响应归一化(LRN)增强泛化、引入分组卷积实现GPU并行计算，以及重叠池化等技巧。网络结构包含5个卷积层和3个全连接层，约6100万参数（主要来自全连接层）。PyTorch实现中需注意输入尺寸差异（227×227或224×224）和分组卷积细节。这些设计显著提升了大规模图像分类性能，推动了深度学习在计算机视觉中的应用。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值