【百度PaddlePaddle】深度学习7日入门-CV疫情
本文件夹为百度Aistudio课程《深度学习7日入门-CV疫情》
- 数据： 从百度Aistudio数据集下载
- 框架： PaddlePaddle
- 语言： Python
作业调试详解及心得体会请参照各作业文件夹。
1. 数据可视化[已完成])
基于 丁香园 整合全国疫情数据更新制作可视化数据图。
作业任务：
1. 下载安装 PaddlePaddle，课程中有详细介绍
2. 应用学习pyecharts库学习应用，将全国疫情数据可视化在饼状图中
作业举例：
1. 已提供爬虫script，将丁香园中的数据下载整合到本地
2. 已提供pyecharts部分地图和趋势图的实现代码
2. 构建DNN神经网络手势识别[已完成)]
基于DNN全连接神经网络对手势和对应数字进行识别。
作业任务：
1. 完成DNN 神经网络
2. 优化自己的DNN神经网络(test_acc:0.83, SGD, lr = 0.001, epoch = 200)
3. 构建CNN神经网络车牌识别[已完成)]
基于CNN卷积神经网络对车牌的(数字/ 字母/ 省简称)进行识别
作业任务：
1. 完成CNN神经网络
2. 优化自己的CNN神经网络(test_acc:0.93, SGD, lr 0.01, epoch = 200)
4. 模块化构建VGG神经网络口罩识别[已完成)]
定义重复出现的CNN网络结构使其模块化，二分类识别图片中的人是否戴口罩。（更完整的完成任务还需要识别图片中人脸的位置）
作业任务：
1. 完成CNN神经网络
2. 优化自己的CNN神经网络（+BatchNorm test_acc=1.0, Adam, lr = 0.0001, epoch=50）
5. Paddle Slim 对模型进行精简[已完成]
学习实践Paddle Slim对模型精简模块，可以有效提高模型速度，减小模型所占内存。
作业任务：
1. 概念选择题
2. 完成定点量化精简
比赛：人流密度检测[得分：0.49469分 排名：51/368] [已完成][(https://github.com/Capchenxi/Aistudio/tree/master/深度学习7日入门-CV疫情特辑/Compete)]
比赛任务:检测人流密度，得分应该是错误率之类的，越低越好。
训练数据：常规赛-人流密度检测
试验方法：
- Baseline: 老师给出的baseline就已经了不起了，跑通了大概能排到200+左右目前，单纯的cnn放在一起提取的人流密度热力图。的粉黛该是0.68左右
- 我的方法：参考了 Dense Scale Network for Crowd Counting 这篇文章中密集的残差连接结构，除了MSE作为loss之外还加入了不同尺度下的MAE（mean absolute error）作为loss。