自動化測試-芯片神經網絡-模型ONNX-Operators
- 概念綜述
- 一: Operators
- 1> Conv
- 2> MaxPool
- 1. 參數
- 2. shape 計算demo
- 3> roipooling
- 1. Roi-pooling 概念
- 2. ROI pooling步驟
- 3. demo
- 4. R-CNN & Fast R-CNN
- 二：維度變換
- 1> Reshape-改變形狀
- 1. 參數
- 2. shape 計算demo
- 3. demo
- 2> Transpose-交換維度
- 1. 參數
- 2. shape 計算demo
- 3> Slice 切片
- 1. 參數
- 2. shape 計算demo
- 4> Squeeze-刪除維度
- 1. 參數
- 2. shape 計算demo
- 3. demo
- 5> Unsqueeze-解壓
- 1. 參數
- 2. shape 計算demo
- 3. demo
- 6> Expand-插入新維度
- 1. 參數
- 2. shape 計算demo
概念綜述
| 名詞 | 含義 |
|---|---|
| VGG（Visual Geometry Group） | 是一個視覺幾何組在2014年提出的深度卷積神經網絡架構,VGG網絡被廣泛應用于圖像分類、目標檢測、語義分割等計算機視覺任務中，并且其網絡結構的簡單性和易實現性使得VGG成為了深度學習領域的經典模型之一; |
| R-CNN | 全稱是Region-CNN，是第一個成功將深度學習應用到目標檢測上的算法。R-CNN基于卷積神經網絡(CNN)，線性回歸，和支持向量機(SVM)等算法，實現目標檢測技術 |
| Faster R-CNN 結構 | 一種用于對象檢測的深度神經網絡架構。它是一個多任務學習的網絡，在單個神經網絡中同時學習目標檢測和特征提取；分為四個模塊：1. Conv layers，特征提取網絡：用于從輸入圖像中提取特征，可以是預先訓練的卷積神經網絡（如VGG，ResNet等）或自定義的神經網絡 ； 2. Region proposal Network（RPN）區域候選網絡：RPN是一種生成提議的網絡，它接收特征圖并在其中生成對象的矩形提議； 3. ROI pooling，興趣域池化：這一層以RPN網絡輸出的興趣區域和Conv layers輸出的feature map為輸入，將兩者進行綜合后得到固定大小的區域特征圖（proposal feature map）并輸出到后面的全連接網絡中進行分類； 4. Classification and Regression，分類和回歸：輸入為 |
