雨燕lcd-CSDN博客

原创《图像分割项目总结》

定义与本质图像分割是将图像划分为不同的区域或类别，使得每个区域内的像素具有相似的特征，而不同区域之间具有明显的差异。本质上，它是一种基于像素级别的分类任务，通过对图像中每个像素进行分类，从而实现对目标的轮廓预测和区域划分。应用场景的广泛性人像抠图：在影视制作、广告设计和摄影后期处理等领域，人像抠图是常见的需求。通过图像分割技术，可以精确地将人物从背景中分离出来，为后续的合成、特效添加等操作提供基础。医学组织提取。

2024-10-18 14:02:53 1418

原创《YOLOv5 源码深入总结》

YOLOv5 源码通过其精心设计的项目结构、创新的网络模块（如 Focus 模块、Bottleneck CSP 模块和 PAN 流程）、有效的数据处理技术以及合理的模型训练和评估方法，构建了一个高效、准确、泛化能力强的目标检测模型。这些技术和方法的综合应用，使得 YOLOv5 在目标检测领域取得了卓越的成就，为未来的研究和应用提供了重要的参考和借鉴。

2024-10-18 13:49:46 1470

原创《YOLOv4 总结》

YOLOv4 通过在数据层面和网络设计层面的诸多改进，包括丰富的数据增强方法、合理的损失函数设计、优化的网络结构组件以及先进的激活函数等，在目标检测性能上取得了显著的提升，同时保持了对设备的友好性，为目标检测领域的发展提供了新的思路和方法。◦ 引入了自底向上的路径，与自顶向下的 FPN 相结合，使得底层信息更容易传到顶部，并且采用拼接的方式整合信息，提高了特征的传递和利用效率。◦ 参考 CutMix 方法，将四张图像拼接成一张进行训练，增加了数据的多样性和复杂性，有助于模型学习到更全面的特征。

2024-10-12 19:21:54 540

原创《YOLOv3 总结》

以 416×416 的输入为例，经过网络处理后，在 13×13 的网格上进行预测，输出维度为 13×13×3+(4+1+80)，其中 3 表示每个网格有 3 个先验框，4 表示边框坐标，1 表示边框置信度，80 表示对象类别数；通过这种多尺度的预测方式，能够更全面地检测不同大小的物体。YOLOv3 通过网络结构的优化、先验框的丰富、softmax 的改进等多方面的措施，在目标检测性能上有了显著的提升，尤其是在小目标检测和多标签任务方面表现出了更好的适应性，进一步巩固了 YOLO 系列在目标检测领域的地位。

2024-10-12 19:20:52 709

原创《目标检测项目总结》

目标检测面临着目标种类与数量繁多、尺度不均以及外部环境干扰等问题。它是一个多任务问题，涉及到位置和类别两个方面。

2024-10-10 19:18:36 1515 1

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

原创 《图像分割项目总结》

原创 《YOLOv5 源码深入总结》

原创 《YOLOv4 总结》

原创 《YOLOv3 总结》

原创 《目标检测项目总结》

空空如也

空空如也

原创《图像分割项目总结》

原创《YOLOv5 源码深入总结》

原创《YOLOv4 总结》

原创《YOLOv3 总结》

原创《目标检测项目总结》