hyshhh：何恺明ResNet（残差网络）——彻底改变深度神经网络的训练方式[ 注意力机制 ] 经典网络模型1--SENet 详解与复现改进方法如图所示，在多尺度融合层之后添加SE注意力机制对所有通道的权重进行加权。

在普通深度网络中，随着层数增加，梯度可能会消失或爆炸，使得训练变得困难。ResNet 引入了 残差块（Residual Block），使用 跳跃连接（Skip Connection） 让梯度可以直接传递：y=F(x)+x。其中，x 是输入，F(x) 是卷积层提取的特征 直接将输入 x 加到输出上，形成一个短路路径（Shortcut）残差块介绍。

想要对pointpillar神经网络部分大改，但个人感觉PCdet架构下源代码多层嵌套的循环形式代码的可读性低，用习惯了YOLO的代码看这个很难受，不容易在源代码的基础上进行改进。因此花时间重构了一下网络结构，增加可读性和可编程性。让网络代码可以像YOLO代码一样一层一层的添加新的模块，随意改进新的网络结构，重构代码放在下面。将源代码路径OpenPCDet/pcdet/models/backbon

在普通深度网络中，随着层数增加，梯度可能会消失或爆炸，使得训练变得困难。ResNet 引入了 残差块（Residual Block），使用 跳跃连接（Skip Connection） 让梯度可以直接传递：y=F(x)+x。其中，x 是输入，F(x) 是卷积层提取的特征 直接将输入 x 加到输出上，形成一个短路路径（Shortcut）残差块介绍。

在普通深度网络中，随着层数增加，梯度可能会消失或爆炸，使得训练变得困难。ResNet 引入了 残差块（Residual Block），使用 跳跃连接（Skip Connection） 让梯度可以直接传递：y=F(x)+x。其中，x 是输入，F(x) 是卷积层提取的特征 直接将输入 x 加到输出上，形成一个短路路径（Shortcut）残差块介绍。

这是个深度学习中比较常见的问题。

本代码将SE模块融入pointpillar骨干网络中，使得每一个卷卷积过后都经过一个SE模块再进行上采样。安装、测试和训练OpenPCDet：一篇详尽的指南_openpcdet 安装-CSDN博客​blog.csdn.net/laukal/article/details/139395806。

在普通深度网络中，随着层数增加，梯度可能会消失或爆炸，使得训练变得困难。ResNet 引入了 残差块（Residual Block），使用 跳跃连接（Skip Connection） 让梯度可以直接传递：y=F(x)+x。其中，x 是输入，F(x) 是卷积层提取的特征 直接将输入 x 加到输出上，形成一个短路路径（Shortcut）残差块介绍。