[ 轻量级网络 ] 经典网络模型1——SqueezeNet 详解与复现；1、SqueezeNet；2、SqueezeNet详解；3、SqueezeNet复现；SqueezeNet 在 ImageNet 上实现与 AlexNet 同等级别的精度，但 参数少了50倍 ；通过模型压缩技术，实现了 SqueezeNet 模型压缩到小于0.5MB，相比 AlexNet 模型小了510倍 ；🔗 论文地址：S

[ 图像分类 ] 经典网络模型4——ResNet 详解与复现1、Residual Network2、残差网络3、Residual Block4、ResNet50 详解5、ResNet50 复现6、ResNet50 结构框图Residual Network简称 ResNet (残差网络)，何凯明团队于2015年提出的一种网络；在 ImageNet 比赛 classification 任务上获得第一名

[ 轻量级网络 ] 经典网络模型4——Xception 详解与复现1、Xception；2、Xception 详解；3、Xception 复现；Xception 是一种受启发于 Inception 的新颖深度卷积神经网络架构 ；将 Inception 模块替换为 深度可分离卷积( depthwise separable convolution ) ；Xception 与 Inception V3

[ 轻量级网络 ] 经典网络模型3——ShuffleNet 详解与复现1、ShuffleNet；2、ShuffleNet 详解；3、ShuffleNet 复现；ShuffleNet 使用是一种计算效率极高的CNN架构，它是专门为计算能力非常有限的移动设备设计的 ；通过 点态群卷积(Pointwise Group Convolution) 和 通道洗牌(Channel Shuffle) 两种新运算，

[ 数据集 ] MINIST 数据集介绍MINIST``Size:`` 28×28 灰度手写数字图像；``Num:`` 训练集 60000 和 测试集 10000，一共70000张图片；``Classes:`` 0，1，2，3，4，5，6，7，8，9；具体介绍了数据集的读取与可视化操作等...

[ 注意力机制 ] 经典网络模型2——CBAM 详解与复现1、Convolutional Block Attention Module2、CBAM 详解Channel Attention ModuleSpatial Attention Module3、CBAM 复现简称 ``CBAM``，2018年 提出的一种新的 *卷积注意力模块* ；对前馈卷积神经网络 是一个 简单而有效的 注意力模块 ；因为

PyTorch 打印网络模型结构使用 Print() 函数打印网络我们在使用PyTorch打印模型结构时都是这样操作的：model = simpleNet()print(model)可以很容易发现这样打印出来的网络结构 ``不清晰`` ，参数看起来都很 ``乱`` !如果是一个简单一点的网络可能影响不是很大，但当随着网络层数加深、结构复杂、参数量变大时，就会看得很难受 ！...

[ 可视化 ] 经典网络模型 —— Grad-CAM 详解与复现1、Grad-CAM；2、Grad-CAM 详解；论文贡献；原理介绍；Grad-CAM 可视化流程；Grad-CAM 计算；Guided Grad-CAM；实例展示；评估 Grad-CAM 定位能力，Grad-CAM 图像分类、视觉解释和文本解释、图像描述、视觉问答、其他；3、Grad-CAM 复现基于此提出的 ``Grad-CAM`

本文具体介绍几种计算机视觉顶级会议，包括计算机视觉领域三大顶尖国际会议 ： CVPR、ICCV、ECCV ；还有其他一些 著名 会议： WACV、NIPS、ICLR、AAAI、ICML、IJCAI ；汇总信息在最后面，可以直接点击查看 ；...............

[ 注意力机制 ] 经典网络模型1——SENet 详解与复现1、Squeeze-and-Excitation Networks2、Squeeze-and-Excitation block3、SENet 详解4、SENet 复现Squeeze-and-Excitation Networks简称 SENet ，由 Momenta 和 牛津大学 的 胡杰等人 提出的一种新的网络结构；目标是通过显式的建模