weixin_51015047的博客

背景：轻量化深度卷积模型做到可以与主流模型相比计算量减少了，但是性能却可以一同媲美一路走来，相关模型的变化Mobile nets:v1:深度可分离卷积v2:反残差，线性瓶颈层（使用线性激活函数）v3：结合硬件感知的NAS…（自动搜索架构）就很智能不需要人工一个个去尝试，相对来讲更好，也因此你会发现他的那个扩张尺寸很不规律shufflenets：v1：点卷积去掉，换成组卷积+shuffle操作，减少点卷积的计算量v2：提出轻量化模型设计指南：（a）相同的通道宽度可用最小化内存访问（b）过

concat是通道数的增加;add是特征图相加，通道数不变例子Resnet是做值的叠加，通道数是不变的DenseNet是做通道的合并DenseNet的不足在于由于需要进行多次Concatnate操作，数据需要被复制多次，显存容易增加得很快，需要一定的显存优化技术。另外，DenseNet是一种更为特殊的网络，ResNet则相对一般化一些，因此ResNet的应用范围更广泛。总之，concat层多用于利用不同尺度特征图的语义信息，将其以增加channel的方式实现较好的性能，但往往应该在BN之后再

目标检测的过程中在同一目标的位置上会产生大量的候选框，这些候选框相互之间可能会有重叠，此时我们需要利用非极大值抑制找到最佳的目标边界框，消除冗余的边界框。

当我们的tensorflow版本是2.x的时候，如果需要用到tensorflow1.x写的代码，需要加上’import tensorflow.compact.v1 as tf '。

正样本是待检测的目标，比如检测人脸时，人脸是正样本，非人脸则是负样本或者根据你设定的iou阈值比较。

端到端训练简单的理解就是不要预处理和特征提取，直接把原始数据扔进去得到最终结果，就是给模型更多自我调整的能力。