代码学习和论文阅读
代码学习和论文阅读 学习理解MobileNetV1、MobileNetV2的代码;阅读《HybridSN: Exploring 3-D–2-DCNN Feature Hierarchy for Hyperspectral Image Classification》,并学习其代码实现,理解3D卷积和2D卷积; 阅读《Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising》 MobileNetV1代码实现 关于MobileNetV1的相关学习和理解,都整理在上一篇文章里面,其核心内容就是将传统卷积拆分为Depthwise+Pointwise两部分,从而减少了参数量,并保持了网络性能。 假如当前输入为19x19x3 标准卷积:3x3x3x4(stride = 2, padding = 1),那么得到的输出为10x10x4 深度可分离卷积: 深度卷积:3x3x1x3(3个卷积核对应着输入的三个channel),得到10x10x3的中间输出 点卷积:1x1x3x4,得到最终输出10x10x4 一个标准的卷积层以 \(D_F * D_F * M\) 大小的feature map F作为输入,然后输出一个 \(D_G * D_G * N\) 的feature G 卷积核K的参数量为 \(D_K *