- 博客(5)
- 收藏
- 关注
RSS订阅原创 目标检测算法——YOLOv1
YOLOv1是一种开创性的单阶段目标检测算法，通过将图像划分为7×7网格并直接回归边界框位置和类别，实现了45FPS的实时检测速度。其核心在于7×7×30的输出张量，每个网格预测2个边界框（含坐标、宽高和置信度）和20个类别概率。训练阶段通过IoU筛选最优预测框并计算三类损失（坐标、置信度、类别），推理阶段则使用NMS去除冗余框。虽然YOLOv1在速度上突破显著，但存在小物体漏检、定位偏差和全连接层泛化性差等缺陷，为后续改进指明方向。该算法重构了目标检测范式，奠定了实时检测的基础。
2025-07-18 17:37:30
1140
原创 R-CNN 算法详解
R-CNN是目标检测领域的重要突破，它结合CNN特征提取与传统区域建议方法，显著提升了检测准确率。其流程包括：通过SS算法生成候选区域，使用微调后的AlexNet提取特征，并用SVM分类器进行分类，最后通过边界框回归精确定位。虽然R-CNN具有自动特征学习和高准确率的优点，但也存在计算效率低、存储需求大和训练过程复杂等缺点。作为深度学习目标检测的开创性工作，R-CNN为后续算法发展奠定了基础，推动了目标检测技术的持续进步。
2025-07-17 12:15:34
1434
原创 高效阅读科研论文
科研新手常因方法不当导致论文阅读效率低下。本文提出三遍阅读法：第一遍5-10分钟速览标题、摘要、结论和图表，判断相关性；第二遍30-60分钟精读引言、方法和结果，理解核心思想；第三遍1小时以上深度研读，分析推导细节并批判思考。建议使用谷歌学术等工具辅助查询，通过明确阅读目标、分层次深入的方法，从"读不懂"逐步进阶到"读得深"，最终实现高效吸收和创新应用。
2025-07-16 10:13:43
1356
原创 LeNet-5模型结构、原理与PyTorch实现
LeNet是卷积神经网络的开创性架构，由Yann LeCun在90年代提出，用于手写数字识别。其核心设计包括局部感受野、权值共享和空间下采样，奠定了现代CNN的基础。LeNet-5采用交替的卷积层和池化层结构，逐步提取特征，最终通过全连接层分类。尽管受限于当时条件（如使用Sigmoid激活函数），但它为后续AlexNet、VGG等模型提供了范本。如今学习LeNet有助于理解CNN的基本原理，其设计思想仍是深度学习的核心。通过PyTorch等框架实现改进版（如使用ReLU和最大池化）仍能取得优异性能。作为里程
2025-07-12 16:03:15
834
原创 PyTorch环境的配置及pycharm如何导入pytorch深度学习环境
本文详细介绍了在Anaconda中搭建PyTorch深度学习环境并在PyCharm中配置的完整流程。主要内容包括：1）Anaconda安装及CUDA驱动的检查；2）创建虚拟环境并安装匹配的PyTorch版本；3）PyCharm关联Anaconda环境的操作步骤；4）常见问题解决方案。通过"Anaconda环境管理+PyCharm开发"的组合，可以高效开展深度学习项目开发。文中特别强调了GPU版本配置的注意事项，并提供了环境验证方法，帮助开发者快速搭建稳定可用的PyTorch开发环境。
2025-06-11 22:01:01
3683
2
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