- 博客(6)
- 收藏
- 关注
RSS订阅原创 NMS和MAP
1、nmsnms是非极大值抑制，在图片中ground truth只有几个，但是预测出来的框有很多，所以要进行框的抑制。首先对所有的框进行排序，选取最大置信度框作为标准框，计算其余所有框和它的iou比值，大于iou阈值的框删除，该标准框作为最终框保留。iou低于阈值的框，重复进行上一轮操作。最终筛选出最终的目标框。1.1 soft nms...
2021-10-21 15:53:21
225
原创 anchor free和anchor base
仅供个人学习使用1、anchor baseanchor base的方法需要先在图片上生成候选框，无论是RPN生成还是通过k-means生成的先验框，都需要在分类回归之前有存在的框可使用。在框的基础上进行之后的操作。超参数较为难调，正负样本不平衡，focal loss可缓解但是并不能解决。2、anchor free分为1）基于关键点检测，例如Cornernet，2）中心点检测，例如centernet，fcos等1）关键点检测，Cornernet提取的特征分为两个检测器，分别检测左上和右
2021-10-17 14:43:30
849
原创 one stage和two stage
仅供个人学习使用1、two stagercnn系列都是两阶段模型，需要先在图片上生成一些候选框，然后再对候选框进行分类和框坐标的回归修正。首先在图片上进行特征提取，之后进入候选框筛选，例如RPN网络，获得较为可能的候选框，然后映射到特征图上，对特征图上的bounding box进行分类和坐标回归。该方法正负样本较为均衡，因为已经RPN网络筛选过一遍了。2、one stageyolo，ssd系列都是一阶段模型，将图片划分为不同的部分，再通过设置先验框，例如在v5版本，设置3种划分大小的图片
2021-10-17 13:00:42
174
原创 深度学习一些细节
1、过拟合解决方法dropout、bn、数据增强、更多的数据集、早停、正则化2、bn层防止梯度消失和梯度爆炸，将数据调整为均值为0，方差为1的分布。其跟在卷积层后，激活层前，也是因为卷积后的数据有很多是小于0的，在直接进行relu后，会造成神经元死亡。存在两个γ、β，偏移和缩放因子。3、梯度消失和梯度爆炸权重初始化过大或过小sigmoid函数的特性，中间变化明显，两边变化较小，且梯度趋近于04、relu函数的优缺点让一些神经元输出置，减少计算，减少参数之间的相互.
2021-08-02 00:40:00
455
原创 目标检测IOU损失
仅供个人学习记录IOU-LOSSiou-loss = 1-交集/并集但无法处理预测框和目标框不重叠的问题，也无法区别不同的预测框GOU-LOSSgiou-loss = 1-giou = 1-(iou-最小外接矩形差集/最小外接矩形)还存在不足，预测框在目标框内部，此时没有差集，变为iou-lossDIOU-LOSSdiou-loss = 1- （iou - 两个框中心点距离/最小外接矩形对角线距离）解决了预测框在内部时的情况但仍...
2021-08-01 20:14:16
157
原创 YOLO系列
仅供个人记录学习yolo总结RCNN二阶段算法，需要先用算法在图片上生成样本候选框，然后再对这些框进行分类yolo一阶段算法，不需要生成候选框，直接在样本上计算出框的坐标与大小，单次检测可得出结果。yolov1 是anchor free，之后都是anchor baseYOLOV1rcnn系列通过二阶段方法，先生成候选框，再进行分类和边框回归。yolov1则直接在图片上简单划分区域，直接回归区域内边框大小，置信度，类别。结构input ：448*448*3中间层则是一系..
2021-08-01 17:58:39
882
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