多尺度池化
带你了解“多尺度”目标检测
由于多尺度特征网络结构比较灵活，没有清晰的界限，粗略可把网络结构可以分为以下几种：(1) 多尺度输入。(2) 多尺度特征融合。（3）多尺度输出
金字塔池化系列的理解SPP、ASPP
Path Aggregation Network for Instance Segmentation解读
FPN(feature pyramid net)和PANet（Path Aggregation）区别
带你了解“多尺度”目标检测
卷积神经网络（CNN）详解
从LeNet-5看懂卷积神经网络结构
在卷积计算中，通常对不同的输入通道采用不同的卷积核
局部连接：每个神经元仅与输入神经元的一块区域连接，这块局部区域称作感受野（receptive field）。在图像卷积操作中，即神经元在空间维度（spatial dimension，即上图示例H和W所在的平面）是局部连接，但在深度上是全部连接。对于二维图像本身而言，也是局部像素关联较强。这种局部连接保证了学习后的过滤器能够对于局部的输入特征有最强的响应。局部连接的思想，也是受启发于生物学里面的视觉系统结构，视觉皮层的神经元就是局部接受信息的。
分组卷积–具有正则的效果
正则化是指解决过拟合的情况
分组卷积：Grouped convolution
通俗理解分组卷积
通道洗牌
ShuffNet v1 和 ShuffleNet v2
bifpn
YOLOV5 的小目标检测网络结构优化方法汇总(附代码)
1、增加小目标检测层
2、Transformer Prediction Heads (TPH)集成到YOLOv5
3、将CBAM集成到YOLOv5
4、用Bi-FPN替换PAN-Net
全连接层和卷积
为什么将全连接层替换为卷积层？
