问题标签 [mobilenet]

我正在使用 Tensorflow 对象检测 API 对各种动物进行对象检测。过去，我成功地将 MobileNet v1 应用于各种设置，并且我对结果感到满意。

现在，我遇到了一个新物种的问题，它比我之前处理的动物小约 1/3。从视觉上看，动物在一定比例上看起来是一样的，这意味着要预测的边界框在图像大小的 5-15% 范围内，而不是之前的 20%-30%。

我觉得应该有一些我需要调整的超参数才能让东西恢复工作，但我很难找到合适的管道配置。我已经尝试将 anchor_generator 的 min_scale 和 max_scale 调整为更小的值，但没有成功。

有趣的是，使用 Faster RCNN 可以立即处理完全相同的数据。

有什么想法可以尝试吗？

这是有关 MobileNet V3 的论文的链接。

移动网络 V3

根据该论文，h-swish 和 Squeeze-and-excitation 模块是在 MobileNet V3 中实现的，但它们旨在提高准确性，而无助于提高速度。

h-swish 比 swish 快，有助于提高准确性，但如果我没记错的话，它比 ReLU 慢得多。

SE 也有助于提高准确性，但它增加了网络的参数数量。

我错过了什么吗？我仍然不知道 MobileNet V3 如何比 V2 更快，上面所说的在 V3 中实现。

我没有提到他们还修改了他们网络的最后一部分，因为我计划使用 MobileNet V3 作为主干网络并将其与 SSD 层结合起来进行检测，所以网络的最后一部分不会用过的。

下表（可在上述论文中找到）显示 V3 仍然比 V2 快。

用于比较的对象检测结果

我想用 load_model 加载新的微调模型。但是我不加载而是创建一个空的新的。该模型是在具有相同 keras 和 Python 版本的相同环境中构建的。示例代码也是如此。

model = load_weights 也不起作用

那是我的输出

我试着把它放在我的 MobileNet 结构中，但它仍然因同样的错误而失败。

我目前正在尝试修改 mobilenetv2，以便它检测图像中的某些对象并返回一个标记所述对象位置的热图。为此，热图必须具有与输入图像完全相同的分辨率。

我的方法是构建某种 U-Net 之类的编码器-解码器网络，该网络利用 Conv2dTranspose 将移动网络的输出缩放回其原始形状，并使用通往每个相应卷积的快捷路径来降低分辨率。

第一个对应层之间的第一个连接效果很好，但是第二个失败了，因为它们的输出形状不匹配。正如我预期的那样，第一个 Conv2dTranspose 将分辨率提高了 2 倍。然而，第二个没有。它具有输入形状 (None, 20, 80, 192) 并且应该输出 (None, 40, 160, 144)。不幸的是，实际的输出形状是 (None, 36, 156, 144)，这使得层的串联成为不可能。

如何实现一致的输出形状？我认为这就是 padding='same' 应该保证的吗？非常感谢您的帮助！

到目前为止，我已经尝试更改填充类型、设置 output_padding 参数、步幅和过滤器大小。其中没有一个或多或少令人惊讶地以所需的方式影响输出形状。

ValueError：Concatenate图层需要具有匹配形状的输入，但连接轴除外。得到输入形状：[(None, 40, 160, 144), (None, 36, 156, 144)]

第一个形状是 Conv2dTransposed 输出的所需形状，第二个是实际形状。这些应该是相同的串联工作。

我想知道在训练 CNN（MobileNetv2）时训练集中带有水印的图像是否会影响其准确性。简单地将它们从集合中移除会更好吗？谢谢！

我是 pyTorch 的新手，我正在尝试创建一个分类器，其中我有大约 10 种图像文件夹数据集，对于这个任务，我使用的是预训练模型（ MobileNet_v2 ），但问题是我无法更改它的 FC 层. 没有 model.fc 属性。谁能帮我做到这一点。谢谢

我正在尝试用我自己的数据微调 SSD MobileNet v2（来自模型动物园）。在 pipeline.config 我看到它use_dropout设置为 false。这是为什么？我认为应该使用 dropout 来防止过度拟合。

是因为批量标准化吗？在这篇论文中，它说：

3.4 Batch Normalization 对模型进行正则化

当使用 Batch Normalization 进行训练时，可以看到一个训练示例与 mini-batch 中的其他示例一起出现，并且训练网络不再为给定的训练示例生成确定性值。在我们的实验中，我们发现这种效果有利于网络的泛化。虽然 Dropout (Srivastava et al., 2014) 通常用于减少过度拟合，但在批量归一化网络中，我们发现它可以被移除或降低强度。

我正在尝试将灰度图像数据集（fashion-mnist）加载到 MobileNet 模型以预测手写数字，但根据本教程，只能将 RGB 图像加载到模型中。当我尝试提供时尚 mnist 样品时，它给了我以下错误

检查输入时出错：预期 keras_layer_13_input 的形状为 (224, 224, 3) 但数组的形状为 (224, 224, 1)

如何解决这个问题呢 ？

我正在尝试通过将我自己的数据集加载到 MobileNet 模型来进行预测。根据本教程，数据集（cats_vs_dogs）是从 TensorFlow 数据集加载的，如下所示

如何更改上述代码以加载我自己的猫与狗数据集？

我想试试 MobileNetV2 的预测。我总是收到一条错误消息，但我不知道要更改什么。

这是错误消息。

也许有人可以帮助我。