- 博客(5)
- 收藏
- 关注
RSS订阅原创 YOLO系列论文笔记--YOLOv3
YOLOv3继续的改进；比YOLOv2的网络大，但准确率高仍旧快；320*320YOLOv3，28.2mAP，测试一张图片22ms，与SSD一样准确速度是SSD的三倍；YOLOv3的AP50为57.9（51ms），RetinaNet为57.5（198ms）；--Bounding Box预测：与YOLOv2相同；--类预测：不使用softmax，因为有些boundingbox包括多标签（不能很好的适...
2018-04-19 16:18:43
3257
1
原创 Focal Loss for Dense Object Detection笔记
Focal Loss for Dense Object Detection--目的：目前目标检测的框架一般分为两种，基于候选区域的two-stage的检测框架（稀疏的候选目标位置）和基于回归的one-stage的检测框架（可能的目标位置上常规密集的采样），two-stage的精度高速度慢，one-stage的速度快但是精度稍低。导致其精度低的原因是密集检测器训练时简单-困难两类样本极度不平衡，因此...
2018-04-17 21:12:49
485
原创 SSD: Single Shot MultiBox Detector
SSD: Single Shot MultiBox Detector总括--目的：单一网络；将不同比例的特征map的每个位置的boundingbox转化成一组default box（默认的框）；预测时，计算每个default box中存在每一目标类别的分数，并且生成匹配目标形状的box；组合从不同特征map得到的box；--优点：消除proposal生成和重复特征提取；压缩计算量；容易优化；更好的...
2018-04-12 15:29:46
199
原创 YOLO系列论文笔记--YOLOv2
YOLOv2速度--YOLOv2：67FPS（76.8mAP on VOC2007）；40FPS（78.6mAP on VOC2007），mAP优于Fater R-CNN（ResNet和SSD）而且运行更快；目的--改进YOLO；--为了解决检测图像标签昂贵而不能进一步提高网络检测性能的问题，利用ImageNet分类数据和COCO检测数据的组合数据集联合训练一种多达9000类的实时检测模型；YOL...
2018-04-09 20:43:45
377
原创 YOLO系列论文笔记--YOLOv1
YOLOv1优点--预测为false positives的样例比较少，主要表现在YOLO是对整张图片进行处理，能够索取整体图片的上下文信息，不像滑动窗口和基于区域建议技术（如Fast R-CNN），它是以图像块为单位，用以对目标进行识别；--YOLO比DPM和R-CNN等顶级检测方法更具优势，在实验上表现在利用自然图像训练并在艺术品测试，其检测性能更优，究其本质，是由于YOLO学习目标特征的普遍化...
2018-04-08 21:38:00
1095
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