ShuffleNet:极致轻量化卷积神经网络(分组卷积+通道重排)
我们引入了一个高效计算的CNN结构名字叫做shuffleNet，这个结构被设计用来解决部署算力非常有限的移动设备问题，这个新的结构使用了两个新的操作,pointwise group convolution 和 channel shuffle能够在极大减少计算量的同时保持一定的精度。我们在ImageNet classification和MS COCO目标检测数据集上做实验论证了ShuffleNet和其他的结构相比有着很好的性能。比如,相比于mobilenet，shufflenet在ImageNet 分类任务上有着更低的top-1错误率(错误率是7.8%)需要的计算量为40MFLOPs。在一个AR
MobileNetV3架构解析与代码复现
MobileNet模型基于深度可分离卷积，这是一种分解卷积的形式，将标准卷积分解为深度卷积和`1*1`的点卷积。对于MobileNet，深度卷积将单个滤波器应用于每个输入通道，然后，逐点卷积应用`1*1`卷积将输出与深度卷积相结合。
车辆违停检测：基于计算机视觉与深度学习的自动化解决方案
随着智能交通技术的发展，传统人工交通执法方式已难以满足现代城市需求，尤其是在违法停车监控与处罚方面。本文介绍了一种基于计算机视觉和深度学习的车辆违停检测系统，该系统能自动监测、识别并报警违法停车行为，大幅提高交通管理效率，降低人力成本。通过使用YOLO算法进行车辆检测，结合区域分析判断车辆是否处于禁停区，实现了从车辆识别到违停判定的全流程自动化。此系统不仅提升了交通管理的智能化水平，也为维护城市交通秩序提供了技术支持。
【NLP】深度学习的NLP文本分类常用模型
本文详细介绍了几种常用的深度学习文本分类模型，包括FastText、TextCNN、DPCNN、TextRCNN、TextBiLSTM+Attention、HAN和Bert，并提供了相关论文和不同框架下的实现源码链接。同时，还讨论了模型的优缺点、适用场景以及一些优化策略。