- 综合排序
- 最热优先
- 最新优先
[opencv][原创]opencv的官方caffe模型人脸检测是怎么训练出来的
The model was created with SSD framework using ResNet-10 like architecture as a backbone. Channels count in ResNet-10 convolution layers was significantly dropped (2x- or 4x- fewer channels).
21000编辑于 2025-07-18- 来自专栏GPUS开发者
一起学习Deepstream视频分析课程
(Hint: check out the "model-file", "num-detected-classes", and "output-blob-names" keys) -ResNet-10, of Classes 4, Output Layer: conv2d_bbox -AlexNet, Number of Classes 100, Output Layer: conv2d_bbox -ResNet (Check all that apply) -ResNet-10 -YOLO -SSD -Faster-RCNN 11.What can be understood by looking at the
2.3K10发布于 2020-02-13 - 来自专栏AI科技评论
从因果关系来看小样本学习
那么从常理来说，更强的预训练，应该会带来更好的小样本学习的表现，例如在现有文献中，使用更深层的神经网络架构WRN-28-10的微调结果，往往会比相对较浅的ResNet-10表现好很多。 然而我们在微调的实验中发现（见左边的直方图），虽然平均WRN-28-10（strong ）更好，但当query set和support set区别很大的时候，结果是恰恰相反的，浅层的ResNet-10 我们是从预训练的神经网络所自带的两个属性来寻找分层的灵感的：1）特征维度，例如ResNet-10是512维的特征，每一个维度代表CNN里面的一个通道，对应了图片中的一些视觉信息；2）预训练的类别，例如在 例如把ResNet-10的512维分成4份，每128维为一份，学习4个分类器； 基于类别的调整：首先我们在预训练的 个类中，各自算一个平均特征 ，即把所有属于这个类的图片特征平均一下；对于任务当中的一个样本特征 还是以ResNet-10和N=4为例子，对于每一个样本 ，我们算出 以后，把 和 各自劈成4份，然后一一对应的拼起来（比如 的前128维拼上 的前128维），然后训练4个分类器， 同样是把4个分类器的输出概率算个平均
1.5K20发布于 2020-10-27 - 来自专栏贾志刚-OpenCV学堂
OpenCV中支持的人脸检测方法整理与汇总
官方ResNet-10 SSD对象检测模型 OpenCV支持基于残差网络ResNet-10的SSD网络模型训练的人脸检测模型，分别实现了Caffe与tensorflow版本模型生成，量化为FP16与INT8
2.3K40发布于 2020-09-01 - 来自专栏GPUS开发者
用NVIDIA 嵌入式Jetson 平台做个AI“云监工” （续）
在 TX2 w/ WB-N211B （Jetpack 4.2.2 版本）执行 DeepStream 4.0.1，调用预安装好的TensorRT加速引擎优化的 Resnet-10 Caffe模型，对 HDMI
1.2K20发布于 2020-02-17 - 来自专栏目标检测和深度学习
英伟达发布迁移学习工具包，现在可以申请早期试用
这个基于Python的工具包，打包了许多预训练的模型： 常用的ResNet-10，ResNet-18，ResNet-50，GoogLeNet，VGG-16和VGG-19等等都包含在内。
90120发布于 2018-12-21 - 来自专栏GPUS开发者
升级JetPack 6开发者预览版可能遇到的坑
第八个坑：Resnet-10在Jetson AGX Orin上进行batch_size=1的仅GPU推断存在问题。
74310编辑于 2023-12-14 - 来自专栏量子位
英伟达发布迁移学习工具包，现在可以申请早期试用
这个基于Python的工具包，打包了许多预训练的模型： 常用的ResNet-10，ResNet-18，ResNet-50，GoogLeNet，VGG-16和VGG-19等等都包含在内。
78010发布于 2018-12-21 - 来自专栏GPUS开发者
升级JetPack 6开发者预览版可能遇到的坑
第八个坑：Resnet-10在Jetson AGX Orin上进行batch_size=1的仅GPU推断存在问题。
1.3K10编辑于 2023-12-13 - 来自专栏python与大数据分析
关于OpenCV for Python入门-DNN模块实现人脸检测
下面用到的SSD人脸检测器的骨干网络是REsNet-10，当前它提供了两个训练好的模型：基于深度学习框架caffe训练的模型（原始Caffe实现的16位浮点型版本）和基于TensorFlow训练的模型（
1.4K40编辑于 2022-04-02 - 来自专栏我爱计算机视觉
OpenCV vs Dlib 人脸检测比较分析
使用ResNet-10作为骨干网。 OpenCV提供了两个模型： 1）原始Caffe实现的16位浮点型版本（5.4MB）; 2）TensorFlow实现的8位量化版本（2.7MB）。
5.1K10发布于 2019-12-27 - 来自专栏计算机视觉理论及其实现
Low-Shot Learning from Imaginary Data
对于大多数实验，与[13]一致，我们使用一个小型的ResNet-10架构[14]。 稍后，我们将展示一些使用更深层次的ResNet-50架构[14]的实验。 所有隐藏层的维度为512 (ResNet-10)和2048 (ResNet-50)。 受[19]的启发，我们将幻觉网络的权值初始化为块对角单位矩阵。 Representations from deeper models:到目前为止，所有的实验都使用了使用ResNet-10体系结构[13]训练的特征表示。
94710编辑于 2022-09-02 - 来自专栏机器之心
多伦多大学提出注意式吸引器网络，实现渐进式少量次学习
对于 mini-ImageNet 实验，作者使用的是一个修改版的 ResNet-10。
78220发布于 2019-11-04 - 来自专栏GPUS开发者
利用NVIDIA迁徙学习工具包加速智能视频分析
希望加速其深度学习应用程序开发的开发人员可以使用ResNet-10、ResNet-18、ResNet-50、GoogLeNet、VGG-16和VGG-19等预先训练的深度学习模型作为基础，以适应其自定义数据集
1.2K20发布于 2018-12-25 - 来自专栏我爱计算机视觉
复旦大学提出《Meta-FDMixup》解决"跨域小样本学习"中的域偏移问题
3.3 modules 在我们的五个模块中，特征提取器和小样本分类器分别是ResNet-10以及GNN。 接下来主要介绍其他的三个。
3.7K20编辑于 2021-12-13 - 来自专栏AI研习社
什么是多尺度密集网络 - MSDNet ？
5个ResNet的集合: “简单”图像只通过最小的ResNet-10传送，而“复杂”图像由所有5个ResNet模型分类。(预测在整体中的所有评估网络中取平均值)。
1.5K40发布于 2019-07-04 - 来自专栏AiCharm
卷积神经网络长尾数据集识别的技巧包
具体来说，我们在长尾CIFAR和iNaturalist上分别使用了ResNet-32和ResNet-50，在ImageNet-LT上使用了ResNet-10。
1K30编辑于 2023-05-15 - 来自专栏集智书童
小目标检测新方法SCTransNet | 空间通道交叉Transformer & 互补前馈达成完美语义信息传递
Overall pipeline 如图2所示，给定一个红外图像，SCTransNet最初采用四个组的ResNet-10和最大池化层来获取高级特征 \mathbf{E_{i}}\in\mathbb{R} 实现细节： 作者采用结合了ResNet-10的U-Net作为检测的主干网络。 Patch 嵌入的核大小和步幅大小 P 为16，SCTB的数量为4，在CFN中的通道扩展因子 \eta 为2.66。
3.2K10编辑于 2024-02-21 - 来自专栏SIGAI学习与实践平台
目标检测算法综述之FPN优化篇
Proxy 包括: (i) 训练极少量epoch,训练时epho=10; (ii) 在较小的backbone下学习一个结构单元 (block)，然后通过重复堆叠同样的 block 构建一个大的网络,本文基于ResNet
5K20发布于 2019-05-07 - 来自专栏CVer
利用OpenCV和深度学习实现人脸检测
2 ResNet-10和SSD简介 本教程属于实战篇，故不深入介绍算法内容，若对ResNet和SSD感兴趣的同学，可以参考下述链接进行学习 [1]ResNet paper：https://arxiv.org
7.2K161发布于 2018-04-12
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号