1.权重参数是如何分布的？

BNN的参数是通过BinaryNet进行训练的，先介绍一下和BinaryNet相关的知识：

参考资料：

  1. http://blog.csdn.net/jackytintin/article/details/53445280-模型压缩之 BinaryNet

另外在BNN-PYNQ开源项目中BNN论文中提到的如下图所示的交叉操作是由BNN-PYNQ提供的python脚本进行

具体的脚本涉及到BinaryNet生成的npz文件的模型布局，后续将完全查看和npz文件相关的内容。

2.BNN-PYNQ对于卷积padding的支持

参考资料：

  1. FINN A Framework for Fast, Scalable Binarized Neural Network Inference.pdf 4.3.2 Convolution: The Sliding Window Unit

3.BNN框架汇总

  1. BNN-PYNQ
  2. YodaNN
  3. BMXNet
  4. zynqNet
  5. ResBinNet
  6. XNOR-Net
  7. DoReFa-Net
  8. GUINESS

4.SSD目标检测算法

参考资料：

  1. https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html 深度学习目标检测汇总
  2. http://blog.csdn.net/jesse_mx/article/details/65634482 SSD: Single Shot MultiBox Detector 训练KITTI数据集（1）
  3. http://blog.csdn.net/Jesse_Mx/article/details/70048255 SSD: Single Shot MultiBox Detector 训练KITTI数据集（2）
  4. http://blog.csdn.net/u010167269/article/details/52563573 论文阅读：SSD: Single Shot MultiBox Detector
  5. https://github.com/weiliu89/caffe/tree/ssd SSD Github地址
  6. https://github.com/zhreshold/mxnet-ssd SSD的mxnet实现
  7. http://host.robots.ox.ac.uk/pascal/VOC/voc2012/index.html VOC2012数据集官网
  8. http://www.cvlibs.net/datasets/kitti/eval_object.php?obj_benchmark=2d KITTI数据集官网
  9. BING: Binarized Normed Gradients for Objectness Estimation at 300fps
  10. EDA及芯片领域的神经网络热点论文
  11. A 240 G-ops/s Mobile Coprocessor for Deep Neural Networks
  12. https://github.com/dgschwend/zynqnet zynq深度学习加速器
  13. http://jacobkong.github.io/posts/2938514597/ 深度学习论文笔记：DSSD
  14. http://blog.csdn.net/Jesse_Mx/article/details/78680055 Mibilenet-SSD的Caffe系列实现

深度学习目标检测算法可以追溯到RCNN，Fast RCNN，Faster RCNN

参考资料：

  1. RCNN算法详解
  2. Fast RCNN算法详解
  3. Faster RCNN算法详解
  4. 基于深度学习的目标叫么算法综述
  5. 目标检测领域的新进展

SSD没有使用图像的全局特征，只使用了每个目标周围的深层特征去检测识别目录，而且在深度学习模型的特征提取上，SSD从深度神经网络不同层的特征图上提取特征，然后用这些特征回归预测目标。

SSD主要分为如下几个部分：

  1. 通过深度神经网络提取整个输入图片的深度特征
  2. 针对不同尺度的深度特征图设计不同大小的特征抓取盒
  3. 通过提取这些特征抓取盒对应的深度特征图的特征来预测盒中目标类别以及目标真实边框
  4. 最终 最终通过NMS来筛选出最佳预测结果

部分1就是一个基础的深度学习模型，可以采用VGG/ResNet等多种模型，作用是对整张图片进行特征提取，另外SSD会在标准的深度学习模型后面新增一些CNN层，其中每层的尺度是不一样的，这些CNN层使用的是atrous卷积(一种带孔的卷积核)

部分2的主要工作是设计不同的特征提取盒

部分3使用3x3的卷积核来提取每个特征提取盒中的特征

8.ResNet

https://github.com/KaimingHe/deep-residual-networks

http://blog.csdn.net/wspba/article/details/56019373 ResNet论文笔记

http://blog.csdn.net/u012816943/article/details/51702520 论文笔记-Identity Mappings in Deep Residual Networks

http://www.jianshu.com/p/e502e4b43e6d ResNet之Deeper Bottleneck Architectures

https://github.com/ry/tensorflow-resnet Tensorflow的ResNet实现

http://blog.csdn.net/zyqdragon/article/details/76599256 caffe Resnet-50模型训练及测试

results matching ""

    No results matching ""