Tensorflow 2的Quantization Aware Training指南
Tensorflow 2的Quantization Aware Training指南 在低運算資源的平台上，神經網路的計算資源通常會有明顯的限制。為了追求低運算量的神經網路，有兩個常見大方向，一個大方向是透過各種魔改技巧，將最有效率的架構保留下來，包含架構設計 (如MobileNet) 、 …
Continue Reading
通往Anchor-Free的真相：Object Detection的正負樣本定義
通往Anchor-Free的真相：Object Detection的正負樣本定義 在物件偵測的發展中，Faster-RCNN 所使用的anchor在往後的幾年主導了高精度detector的發展。隨著2019年許多高精度的anchor-free方法提出，anchor似乎已經不是高精度detector的 …
Continue Reading
MobileDets: FLOPs不等於Latency，考量不同硬體的高效架構
MobileDets: FLOPs不等於Latency，考量不同硬體的高效架構 關於深度學習模型可以說有兩個大方向：一個是不考慮運算量，追求最好的結果；另一個是在有限的運算量，追求足夠好的結果。明顯地，在應用端上後者尤其重要。 在這方面，2019年EfficientNet …
Continue Reading
Generative Adversarial Network (GAN) 的基礎理論
Generative Adversarial Network (GAN) 的基礎理論 生成對抗網路 (GAN) 在2014年由Goodfellow等人提出 ，透過一組對抗的網路實現無監督學習 (unsupervised learning)。GAN至今已經是一個非常全面的技術，而且有許多耳熟能詳的應 …
Continue Reading
Convolutional Neural Network的設計論：NAS (EfficientNet) v.s Handcraft (RegNet)
Convolutional Neural Network的設計論：NAS (EfficientNet) v.s Handcraft (RegNet) 訓練Convolutional neural network (CNN) 時，一般都會先選定一個知名的backbone (比如說ResNet-50)， …
Continue Reading
DETR的天馬行空：用Transformer走出Object Detection簡潔Pipeline
DETR的天馬行空：用Transformer走出Object Detection簡潔Pipeline DETR (Detection with Transformer) 是2020年FAIR團隊發表於ECCV的論文 (Oral)。看大標題以為只是用NLP的神器Transformer 做文章，改個網路 …
Continue Reading