目标检测论文学习笔记
文章平均质量分 87
目标检测论文学习笔记
mikko_6214
这个作者很懒,什么都没留下…
展开
-
yolov4学习笔记
论文首先将当时一些前沿的技术一一挪列出来,作者将不同领域发表的最新论文的技术,集成到自己的算法中加以创新并做了许多消融实验,详细的描述了实验的过程,3.4之后才是描述yolov4的内容。【原文】我们的贡献总结如下:我们开发了一个高效且功能强大的目标检测模型。它使每个人都可以使用 1080 Ti 或 2080 Ti 的 GPU 来训练一个超级快速和准确的目标检测器。我们验证了最先进的 Bag-of-Freebies 和 Bag-of-Specials 对象检测方法在检测器训练期间的影响。原创 2024-07-27 17:46:49 · 661 阅读 · 0 评论 -
yolov3学习笔记
yolov3实现了三种不同的尺度(每个尺度有3个设定好的anchor)的检测,分别是下采样倍数32x32、16x16、8x8,下采样倍数越大对应每个grid cell的感受野越大预测的物体也相对越大,所以它们分别预测不同大小的物体。yolov3的论文实际上是一篇学术报告,这篇论文里面有一些作者的幽默风趣的不学术不专业的话,摘要听起来就像是在分享日常,这就是大佬的任性吧...不过这张图是作者从别人论文里面借鉴的,而左边这个都跑到图外面的yolov3的线就是作者加上的...好高级的装b手法(bushi)原创 2024-07-25 20:09:38 · 285 阅读 · 0 评论 -
yolov2学习笔记
在yolov1中,每个grid cell有两个bounding box,bounding box的中心坐标由它与grid cell的中心的偏移量确定,但因为偏移量可能很大,所以bounding box的中心不一定被限制在grid cell中,也就是它属于grid cell1,但它的中心有可能落在grid cell2中。聚类算法最重要的是选择如何计算两个边框之间的“距离”,对于常用的欧式距离,大边框会产生更大的误差,但我们关心的是边框的IOU。最常见的检测数据集包含数千到数十万张带有数十到数百个标签的图像。原创 2024-07-20 18:12:24 · 907 阅读 · 0 评论 -
YOLOv1论文学习笔记
之前的目标检测通常为分类问题,而YOLO将目标检测重新定义为回归问题。过去的目标检测通常是一个两阶段问题:第一阶段:候选区域生成和特征提取。第二阶段:分类与回归及后处理。这种方法通常需要分步骤地处理每个目标候选区域,因此在速度和精度上存在一定的折衷。但是YOLO可以实现端到端的检测。因为YOLO使用一个单独的神经网络,既可以预测预测框的坐标,也可以预测类别,它直接全图输入,神经网络在一次前向推断后就能够输出目标的坐标和类别。原创 2024-07-06 15:04:33 · 630 阅读 · 0 评论