W1995S的博客

棋盘效应当我们要用到深度学习来生成图像的时候，是往往是基于一个低分辨率且具有高层语义的特征图。这会使得深度学习来对这种低分辨率特征图进行填充细节。一般来说，为了执行从低分辨率特征图到高分辨率图像之间的转换，我们往往要进行deconvolution。简单来说，deconvolution layer可以允许模型通过每一个点进行绘制高分辨率图像上的一个方块，这种情况的产生与deconvolution的stride、kernel size有关。但不幸的是，当卷积核大小不能被步长整除的时候，会出现棋盘现象。问题

计算热力图https://blog.csdn.net/weixin_38715903/article/details/98039181

《Decoupled Dynamic Filter Networks》CVPR 2021Homepage: https://thefoxofsky.github.io/project_pages/ddfPaper: https://arxiv.org/abs/2104.14107Code: https://github.com/thefoxofsky/DDF文章目录前言AbstractPreliminariesDecoupled Dynamic FilterDDF Network f

https://towardsdatascience.com/types-of-convolution-kernels-simplified-f040cb307c37直观介绍了各种迷人的CNN层一个简短的介绍卷积使用“kernel”从输入图像中提取某些“特征”。kernel是一个矩阵，可在图像上滑动并与输入相乘，从而以某种我们期望的方式增强输出。看下面的GIF。上面的kernel可用于锐化图像。但是这个kernel有什么特别之处呢？考虑下图所示的两个输入图像。第一个图像，中心值为3 * 5 + 2

MobileNetV1《MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications》AbstractMobileNets是为移动和嵌入式设备提出的高效模型。MobileNets基于流线型架构(streamlined)，使用深度可分离卷积(depthwise separable convolutions，即Xception变体结构)来构建轻量级深度神经网络。一句话概括，V1 就是 把 vgg 中标