应用我们提出的构建块,用SPD-Conv替换了四个跨步卷积;但另一方面,我们只是删除了最大池化层,因为我们的主要目标是低分辨率图像,我们实验中使用的数据集的图像相当小(Tiny ImageNet 中为64 × 64 64 × 6464×64,CIFAR-10中为32 × 32 32 × 3232×32)因此不需要池化, 对于更大的图像,这样的最大池化层仍然...
1、在现有的CNN体系结构中发现了一个常见的设计缺陷,并提出了一个名为SPD-Conv的新模块来代替旧的设计。SPD-Conv下采样不丢失可学习信息,完全摒弃了目前广泛使用的步长卷积和池化操作。 2、SPD-Conv代表了一种通用和统一的方法,可以很容易地应用于大多数(如果不是所有)基于深度学习的计算机视觉任务。 3、利用目标...
YOLOv11全网最新创新点改进系列:改变传统卷积操作-融合低分辨率图像和小物体的新型卷积神经网络构建模块-SPDConv,全新改进,适用于目标检测全领域!!!Ai学术叫叫兽 立即播放 打开App,流畅又高清100+个相关视频 更多 532 0 21:34 App YOLOv11模型改进讲解,教您如何根据自己的数据集选择最优的模块提升精度 1274 0...
YOLOv11全网最新创新点改进系列:改变传统卷积操作-融合低分辨率图像和小物体的新型卷积神经网络构建模块-SPDConv,全新改进,适用于目标检测全领域!!!Ai学术叫叫兽 立即播放 打开App,流畅又高清100+个相关视频 更多 1815 0 08:30 App YOLOv10全网最新创新点改进系列:提高小目标检测精度——Normalized Wasserstein ...
为此,我们提出了一种新的CNN模块,称为SPD-Conv,以取代每个strided convolution和每个池化层(从而完全消除了它们)。SPD-Conv由space-to-depth(SPD)层和non-strided convolution(Conv)层组成,可以应用于大多数CNN架构。 我们在两个最具代表性的计算机视觉任务下解释了这种新的设计:目标检测和图像分类。然后,我们通过...
无卷积步长或池化:用于低分辨率图像和小物体的新 CNN 模块SPD-Conv 摘要 卷积神经网络(CNNs)在图像分类和目标检测等计算机视觉任务中取得了显著的成功。然而,当图像分辨率较低或物体较小时,它们的性能会迅速下降。在本文中,我们指出这根源为现有CNN常见的设计体系结构中一个有缺陷,即使用卷积步长和/或池化层,这导致...