跟李沐学AI -44 物体检测算法

最新推荐文章于 2024-08-05 15:57:37 发布
最新推荐文章于 2024-08-05 15:57:37 发布
阅读量45 收藏
点赞数
分类专栏： 人工智能学习 文章标签： 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2302_79772492/article/details/134610632
版权

1、R-CNN 区域卷积神经网络

2、Fast-RCNN

对整个图片依次抽取。减少重复操作 

mask-R-CNN会比较关注每一个像素

3、SSD 单发多框检测

对fast-rcnn做了大量简化，且可用python实现。对后面的一些模型产生了很大的启发。

4、yolo--尽量让锚框不重叠

五锚框---紫色线。

基于每个像素预测。不提前画框

 

甜果儿
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
动手学习深度学习-跟李沐学AI-自学笔记(1)
weixin_44079186的博客
05-09 2970
个人学习笔记，如有错误欢迎指正！ 预备课 课程必备网站：[课程主页][https://courses.d2l.ai/zh-v2]，[教材][https://zh-v2.d2l.ai/]，[课程论坛讨论][https://discuss.d2l.ai/c/16]，[Pytorch论坛][https://discuss.pytorch.org/] 深度学习是人工智能最热门的领域，核心是神经网络，应该想学习一门语言一样学习它。 课程中每一个章节是一个jupyter记事本，可以在[这里][https:/
动手学深度学习-笔记-跟李沐学AI
CSPhD-winston的博客
12-02 700
CSV全称：Comma-Separated Values。·# 62 序列到序列学习（seq2seq）
【跟李沐学AI】week 9b | 物体检测 锚框
davidyang_980的博客
01-28 2056
41 物体检测和数据集 物体检测问题：分类+位置（边缘框） 边缘框的原点是在左上角，一个边缘框可以通过4个数字来定义。 目标检测数据集：每行表示一个物体，包括图片文件名、物体类别、边缘框，COCO是一个很大的数据集。 42 锚框 anchor 主流的目标检测算法多是基于锚框的，锚框使用流程如下： 提出多个称为锚框的区域 预测每个锚框中是否有所关注的物体（对应类别预测） 如果是，那么预测这个框到真实边缘框的偏移（对应位置的预测），把锚框的位置进行调整 IoU - 交并比 IoU的作用是计算两个框之间的相
44 物体检测算法：R-CNN，SSD，YOLO【李沐动手学深度学习v2课程笔记】
qq_53826699的博客
03-20 1069
对每个像素生成多个以它为中心的多个锚框上图中绿色的点表示 SSD从图中可以看出，SSD 相对于Faster RCNN 来讲速度快很多，但是精度不是太好SSD 的实现相对来讲比较简单，R-CNN 系列代码的实现非常困难。
李沐-《动手学深度学习》--02-目标检测
asdfasaa的博客
01-07 1654
bilibili-李沐-《动手学深度学习》学习笔记
物体检测算法：R-CNN，SSD，YOLO 动手学深度学习v2 pytorch
AI架构师易筋
04-30 605
1. 物体检测算法：R-CNN Region-CNN 区域卷积神经网络 2. SSD Single shot detection 单发多框检测 3. YOLO - you only look once you only live once --> you only look once center_net 非锚框 物体检测 4. Q&A 测试数据增强做平均，一般是概率做平均，在softmax上做平均。 ROI会把图片压变形。 参考 ht
深度学习笔记-[跟李沐学AI]-01引言
weixin_43802565的博客
01-16 379
关于深度学习的笔记记录
李沐动手学视频笔记-计算机视觉-目标检测
a_145133的博客
12-23 308
锚框： 大多数目标检测是基于锚框： 1.提出多个锚框（边缘框） 2.预测锚框中是否含有关注物体 3.如果含有关注物体，进行偏移，调整锚框到真实边框 IoU交并比：计算两个框之间的相似度。取值范围0-1，0代表无重叠，1代表重合。
跟李沐学AI-动手学深度学习-softmax回归+损失函数+图片分类数据集
哇哈哈哈的博客
09-07 585
softmax回归 虽然softmax的名字是回归，但是其实它是一个分类问题。 回归VS分类 回归估计一个连续值 分类预测一个离散类别 eg: MNIST：手写数字识别（10类） ImageNet：自然物体分类（1000类） Kaggle上的分类问题：将人类的蛋白质显微镜图片分成28类、将恶意软件分成9个类别、将恶意的Wikipedia评论分成7类。 从回归到多类分类 回归 单连续数值输出 自然区间R 跟真实值的区别作为损失 分类 通常多个输出 输出i是预测为第i类的置信度 从.
跟李沐学AI：Softmax回归
Landy_Jay的博客
07-12 954
Softmax回归是一个多类分类模型使用Softmax操作子得到每个类的预测置信度使用交叉熵来衡量预测值和标号(label，实际值)的区别b。
常见的文心一言的指令
知码客
07-25 2175
文心一言，作为百度研发的预训练语言模型“ERNIE 3.0”的一项功能，能够与人对话互动，回答问题，协助创作，高效便捷地帮助人们获取信息、知识和灵感。
电脑技巧：9个免费的AI图片无损放大工具和网站
最新发布
08-05 238
今天小编给大家介绍9款免费的AI图片放大工具和网站，帮助你提高图片清晰度，感兴趣的朋友可以自己试一试！美图设计室是美图秀秀公司推出的一款在线图片编辑和设计工具箱，提供包括AI 抠图、AI海报、AI PPT、AI消除、AI文生图、AI变清晰、AI无损放大等AI图片编辑工具。其提供的图片无损放大功能，目前是限时免费中，可以帮助用户将JPG、JPEG、PNG、HEIC等格式的图片放大清晰不失真，细节更丰富。✅ 产品优点由美图推出，产品功能稳定，处理速度较快支持免费进行图片放大到8倍。
和数集团十周年庆典：新起点、新目标、新征程
Likelib的博客
08-01 968
在十周年庆典这个特殊的日子，和数集团对在市场开拓、客户服务等方面具有突出表现的个人进行了表彰。
Transformer 架构告诉我们什么？
2401_85233349的博客
08-01 1308
在传统的心理语言学方法中，人类语言是用可解释的模型来解释的，这些模型将符号元素（例如名词、动词、形容词、副词等）与基于规则的操作相结合。从几何上讲，它们之间的夹角越小，余弦值和点积就越大，并且这两个词在特定上下文中的相关性就越高，就像在高维空间中表示的那样。，Transformer 作为过度参数化的简单模型所展现出的蛮力学习，与进化过程类似，都是“简单而简约的”。下面是一个简单的示例，展示了词向量的基本概念。有趣的是，A 和 B 的相关系数也是角度的余弦（见上文 (2) 和 (3) 的公式）。
常用的机器学习模型的不同调用方式
weixin_71458119的博客
08-01 996
不同机器学习方法的调用
torch.nn.RNN(）相关的参数设置
guoqingru0311的博客
07-31 575
torch.nn.RNN(）相关的参数设置
如何把视频语音转文字？交给这4款工具就完事
xixixihahaha_的博客
08-01 577
然而，随着采访的深入，如何快速准确地将这些珍贵的视频内容转化为文字记录，成为了一个亟待解决的问题。在这场速度与精准度的竞赛中，视频转文字的免费软件便成为了记者们不可或缺的助手。这两天巴黎奥运会的盛大开幕，世界各地的记者们纷纷涌入这个体育盛事的现场，带着他们的镜头和麦克风，捕捉每一个激动人心的瞬间。高精度识别：采用先进的语音识别技术，确保转换文字的准确性。适用于多种场景的视频转文字需求，特别是对外语视频的支持。云端存储：转换后的文字自动保存在云端，方便随时访问。③ 开始转写，并在线查看和编辑生成的文字内容。
医疗AI新突破！多模态对齐网络精准预测X光生存，自动生成医疗报告！
m0_61574757的博客
08-02 687
随着大型视觉语言模型（LVLMs）在医疗保健应用中的日益重要，包括医疗视觉问题解答和成像报告生成，这些模型在展现强大能力的同时，也继承了基础大型语言模型（LLMs）的幻觉倾向。幻觉指的是生成看似事实但无根据的内容，这在医疗领域尤其危险，因为容错率极低。然而，目前医疗领域缺乏针对幻觉检测和评估的专用方法和基准。为了填补这一空白，本文提出了Med-HallMark，首个专为医疗多模态领域设计的幻觉检测和评估基准。该基准提供了多任务幻觉支持、多面幻觉数据和层次化幻觉分类。
【深度学习】深度学习基本概念、工作原理及实际应用案例
weixin_51306394的博客
08-01 2589
深度学习是一种机器学习方法，它试图模拟人脑中的神经网络结构，以解决复杂的问题。深度学习的核心在于构建多层非线性处理单元（即神经元）的网络结构，这些网络可以从原始数据中自动提取特征并进行学习。
跟李沐学ai安装pytorch
10-15
要安装PyTorch，可以按照以下步骤进行： 1. 确认已经安装了Python环境，建议使用Python 3.6或以上版本。 2. 打开PyTorch官网（https://pytorch.org/），选择合适的PyTorch版本和对应的CUDA版本（如果需要GPU加速）。 3. 根据官网提供的命令，使用pip或conda安装PyTorch。 例如，如果要安装PyTorch 1.9.0版本，CUDA 11.1版本，可以使用以下命令： ``` pip install torch==1.9.0+cu111 torchvision==0.10.0+cu111 torchaudio==0.9.0 -f https://download.pytorch.org/whl/cu111/torch_stable.html ``` 安装完成后，可以在Python中导入torch模块进行测试。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值