Advertisement

ResNet-SSD网络的VOC预训练模型。

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
ResNet_SSD网络采用预训练模型，在VOC数据集上进行训练，从而获得一个具备良好性能的初始模型。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 基于MobileNet_V1_SSD网络的VOC预训练模型
    优质
    本简介介绍了一个基于MobileNet_V1_SSD架构的卷积神经网络模型，并利用Pascal VOC数据集进行预训练。该模型适用于各类移动设备，旨在提供高效目标检测性能。 MobileNet_V1_SSD网络的VOC预训练模型。
     
  • 基于ResNet_SSD网络的VOC预训练模型
    优质
    本项目构建于ResNet_SSD架构之上，采用Pascal VOC数据集进行预训练，旨在提供一个高效、准确的目标检测模型，适用于多种图像识别任务。 ResNet_SSD网络的VOC预训练模型。
     
  • 基于MobileNet_V2_SSD网络的VOC预训练模型
    优质
    本项目提供了一个基于MobileNet_V2_SSD架构，并预先在Pascal VOC数据集上进行训练的深度学习模型。该模型适用于多种移动设备，能够高效地执行目标检测任务，在保持较高准确率的同时大幅减少计算资源需求。 MobileNet_V2_SSD网络的VOC预训练模型。
     
  • ResNet-50预训练模型.zip
    优质
    本资源提供ResNet-50深度学习预训练模型下载。该模型在大型图像数据集上进行了预先训练，适用于多种计算机视觉任务，如分类、检测和分割等。 ResNet50预训练模型是基于ImageNet数据集得到的，主要用于加载预训练参数，并且配合prototxt文件使用效果最佳。
     
  • 不同版本的ResNet预训练模型
    优质
    本文探讨了多种版本的ResNet预训练模型，包括它们的架构差异、适用场景及性能表现，为深度学习应用提供参考。 ResNet预训练模型包括resnet18.caffemodel、resnet50.caffemodel、resnet101.caffemodel以及resnet152.caffemodel。
     
  • SSD目标检测的预训练模型
    优质
    本研究探讨了针对SSD（单发多盒探测器）的目标检测任务中预训练模型的应用与优化方法，以提升模型在特定数据集上的性能。 SSD目标检测网络预训练模型是一种用于图像识别的技术，在此模型基础上可以进行各种物体的定位与分类任务。
     
  • 预训练的3D ResNet-50：适用于3D ResNet-50网络的神经网络工具箱模型-MATLAB开发
    优质
    这段简介描述了一个基于MATLAB开发的预训练3D ResNet-50模型，该模型是专门为神经网络工具箱设计的，用于支持各种深度学习任务中的3D数据处理与分析。 为了将预先训练的2D ResNet-50（ImageNet）中的可学习参数迁移到3D模型中，我们通过三维复制了二维滤波器来实现这一目标。这是可行的，因为视频或3D图像可以被转换为一系列图像切片。在训练过程中，希望3D ResNet-50能够从每个帧中学到模式。该模型包含480万个可学习参数。只需调用“resnet50TL3Dfun()”函数即可完成相关操作。
     
  • 预训练的3D ResNet-18：适用于3D ResNet-18网络的神经网络工具箱模型-MATLAB开发
    优质
    这段简介可以描述为：预训练的3D ResNet-18是针对三维数据优化的深度学习模型，基于MATLAB平台上的神经网络工具箱。该资源提供了即用型解决方案，适用于视频分析、动作识别等领域的研究与应用开发。 为了将预先训练的2D ResNet-18（ImageNet）中的可学习参数传递到3D模型中，我们通过三维复制了二维滤镜来实现这一目标。这是因为视频或3D图像可以转换为一系列图像切片。在训练过程中，希望3D ResNet-18能够识别每个帧内的模式。该模型包含约3400万个可学习的参数。 只需调用“resnet18TL3Dfunction（）”函数即可实现上述操作。
     
  • U2Net分割网络预训练模型：U2NetP.pth
    优质
    U2NetP.pth是U2Net分割网络的预训练模型，适用于图像前景提取等任务，具有高效准确的特点。 https://github.com/NathanUA/U-2-Net工程的预训练模型u2netp.pth和u2net.pth已由作者上传。