- 博客(9)
- 收藏
- 关注
RSS订阅原创 目标检测模型学习（3）
两阶段法实现目标检测可以实现更高的精度，在面对不同尺度的目标时都能有较好的检测结果，并且方便对各个阶段进行优化和调整；个层级的特征图，都是既具有高层语义也具有低层细节，且每个层级的特征图将对应不同尺度的目标检测人物，高层对应大尺度目标，低层对应小尺度目标；）的子区域，只考察与之相对位置相同的通道数的值，并进行平均池化，最后可以得到（的卷积层，得到位置敏感得分图和位置敏感回归图，位置敏感得分图输出通道数为。后边的全连接层，减少了计算量，共享了参数，大大提升了计算效率）如图，假设提取的特征共有三层，分别记为。
2025-12-04 21:46:44
424
原创 目标检测模型学习（1）
第二项为回归任务的损失，𝑝𝑖∗保证了只对正样本计算回归损失，其中Nreg为归一化参数，为锚点的数量，Lreg为smooth L1函数，λ为平衡权重，可以使得模型对于两种任务的注意力大致平衡，常设为10，因为回归任务的损失通常比分类任务小一个数量级。先将图像分割为较小的区域（可小到单像素），然后计算区域的相似度（有不同维度评价相似度的指标），迭代合并相似度最高的区域对，直到覆盖整个图像。，即对第一阶段生成的可能的区域进行分类（目标或背景），以及对边框进行回归，得到更准确的边框。（2）深度学习方法：（
2025-11-30 21:42:39
649
原创 深度学习各架构初学
GraphSAGE: （归纳式学习） 模型学习的是一个通用的、可重用的聚合函数，对每个节点来说这个聚合函数都是相同的。学习结果是每个节点的一个最优的嵌入向量（即对其邻居的特征的聚类），只能处理固定的图和已知的节点，无法处理动态变化的图和未知的节点。其核心思想是通过堆叠小的3x3卷积核来替代大的卷积核（如5x5, 7x7），在保持相同感受野的同时，减少了参数量，并使网络更深。LSTM的一个变体，将输入门和遗忘门合并为“更新门”，结构更简单，参数更少，效果通常与LSTM相当，在很多任务上成为更受欢迎的选择。
2025-11-28 14:05:35
362
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人