注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. EfficientDet- Scalable and Efficient Object Detection(中文版).pdf

  2. google EfficientDet 算法中文版paper.将高效网络骨架与我们提出的BiFPN 和复合尺度相结合，我们开发了一种新的对象检测器家族，称为高效Det，它始终以比以前的对象检测器更少的参数和FLOP 来获得更好的精度。图和图形显示COCO 数据集上的性能比较。在类似的精度约束下，我们的有效DET使用的FLOP 比YOLOv3 少28 倍，FLOP 比RetinaNet 少30倍，FLOP 比最近基于ResNet 的NAS-FPN 少19 倍。特别是，在单模型和单测试时间尺度下，我

  3. 所属分类：深度学习

    • 发布日期：2020-06-18
    • 文件大小：572416
    • 提供者：myhes

  1. yolov5x.zip

  2. YOLOv5权重文件：S模型。yolov5系列将在2020年第2/3季度进行架构研究和开发，以提高性能。更新可能包括来自yolov4的CSP瓶颈，以及PANet或BiFPN head特性。

  3. 所属分类：深度学习

    • 发布日期：2020-08-09
    • 文件大小：164626432
    • 提供者：Jwenxue

  1. yolov3-spp.zip

  2. YOLOv5权重文件：S模型。yolov5系列将在2020年第2/3季度进行架构研究和开发，以提高性能。更新可能包括来自yolov4的CSP瓶颈，以及PANet或BiFPN head特性。

  3. 所属分类：深度学习

    • 发布日期：2020-08-09
    • 文件大小：116391936
    • 提供者：Jwenxue

  1. yolov5l.zip

  2. YOLOv5权重文件：S模型。yolov5系列将在2020年第2/3季度进行架构研究和开发，以提高性能。更新可能包括来自yolov4的CSP瓶颈，以及PANet或BiFPN head特性。

  3. 所属分类：深度学习

    • 发布日期：2020-08-09
    • 文件大小：88080384
    • 提供者：Jwenxue

  1. yolov5m.zip

  2. YOLOv5权重文件：M模型。yolov5系列将在2020年第2/3季度进行架构研究和开发，以提高性能。更新可能包括来自yolov4的CSP瓶颈，以及PANet或BiFPN head特性。

  3. 所属分类：深度学习

    • 发布日期：2020-08-09
    • 文件大小：39845888
    • 提供者：Jwenxue

  1. yolov5s .zip

  2. YOLOv5权重文件：S模型。yolov5系列将在2020年第2/3季度进行架构研究和开发，以提高性能。更新可能包括来自yolov4的CSP瓶颈，以及PANet或BiFPN head特性。

  3. 所属分类：深度学习

    • 发布日期：2020-08-09
    • 文件大小：13631488
    • 提供者：Jwenxue

  1. efficientdet:由mmdetection实现的非官方EffcientDet-源码

  2. 高效饮食 BiFPN和修改后的BiFPN。 来自rwightman的effcientNet骨干和预训练权重（ ） 去做 训练和测试

  3. 所属分类：其它

    • 发布日期：2021-03-08
    • 文件大小：140288
    • 提供者：weixin_42097914

  1. ssds.pytorch：单发MultiBox检测器及其变体的存储库，通过pytorch，python3实现-源码

  2. ssds.pytorch 适用于pytorch，python3的Single Shot MultiBox Detector及其变体的存储库。 此存储库易于设置，并具有大量可视化方法。 我们希望此回购协议可以帮助人们更好地理解类似ssd的模型，并帮助人们轻松地训练和部署ssds模型。 当前，它包含以下功能： 多种SSD变体：ssd，fpn，bifpn，yolo等 多基础网络：resnet，regnet，mobilenet等。 可视化类似于ssd的模型的功能，以帮助用户了解模型的设计和性能。

  3. 所属分类：其它

    • 发布日期：2021-03-03
    • 文件大小：1048576
    • 提供者：weixin_42106765

  1. pytorch 自定义参数不更新方式

  2. nn.Module中定义参数：不需要加cuda，可以求导，反向传播 class BiFPN(nn.Module): def __init__(self, fpn_sizes): self.w1 = nn.Parameter(torch.rand(1)) print(no---------------------------------------------------,self.w1.data, self.w1.grad) 下面这个例子说明中间变量可能没有梯度，但是最终变量有梯

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：34816
    • 提供者：weixin_38725902

  1. efficientdet-pytorch:忠实于原始Google导入权重的PyTorch EfficientDet实现-源码

  2. EfficientDet（PyTorch） EfficientDet的PyTorch实现。 它基于 Mingxing 正式实施Tensorflow Tan Mingxing Tan，庞若鸣，Quoc V撰写的论文。Le 还有其他PyTorch实现。他们的方法不适合我的目标，无法正确地重现Tensorflow模型（但具有PyTorch的感觉和灵活性），或者它们无法接近从零开始复制MS COCO培训。 除了默认的模型配置外，这里还有很多灵活性可以促进实验和快速改进-基于官方Tensorflow

  3. 所属分类：其它

    • 发布日期：2021-03-20
    • 文件大小：135168
    • 提供者：weixin_42117150