- 博客(4)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 文献翻译——YOLOv4:Optimal Speed and Accuracy of Object Detection
摘要 目前有很多可以提高CNN准确性的算法。这些算法的组合在庞大数据集上进行测试、对实验结果进行理论验证都是非常必要的。有些算法只在特定的模型上有效果，并且只对特定的问题有效，或者只对小规模的数据集有效；然而有些算法，比如batch-normalization和residual-connections，对大多数的模型、任务和数据集都适用。我们认为这样通用的算法包括：Weighted-Residual-Connections（WRC), Cross-Stage-Partial-connections（CSP）
2020-10-14 07:57:02
1340
原创 文献翻译——YOLOv3:An Incremental Improvement
摘要 我们给YOLO提供一些更新！ 我们做了一些小的设计更改以使其更好。 我们也训练了这个非常庞大的新网络。它比上次（YOLOv2）稍大一些，但更准确。它仍然很快，所以不用担心。在320×320的输入下，YOLOv3只需运行22.2ms，获得28.2的mAP，像SSD一样准确，但速度快三倍。当我们看看老的0.5 IOU mAP检测指标时，YOLOv3是相当不错的。在Titan X上，它在51 ms内实现了57.9的AP50，与RetinaNet在198 ms内实现的57.5 AP50对比，性能相似但速度快3
2020-10-14 07:55:53
333
原创 文献翻译——YOLO9000:Better,Faster,Stronger(YOLOv2)
摘要 我们介绍了YOLO9000，这是一种先进的实时对象检测系统，可以检测9000多个对象类别。首先，我们提出了对YOLO检测方法的各种改进，既有新颖性，也有前期的工作。改进后的模型YOLOv2在PASCAL VOC和COCO等标准检测任务上是最先进的。使用一种新颖的，多尺度训练方法，同样的YOLOv2模型可以以不同的尺寸运行，从而在速度和准确性之间提供了一个简单的折衷。在67FPS时，YOLOv2在VOC 2007上获得了76.8 mAP。在40FPS时，YOLOv2获得了78.6 mAP，比使用ResN
2020-10-14 07:55:17
415
翻译 YOLO1学习笔记:You Only Look Once:Unified,Real-Time Object Detection
YOLO1学习笔记:You Only Look Once:Unified,Real-Time Object Detection摘要1.介绍2. 统一检测2.1 网络设计2.2 训练2.3 推论2.4 YOLO的局限性3. 与其他检测系统相比4. 实验4.1 与其它实时系统的比较4.2 VOC 2007 误差分析4.3 结合Fast R-CNN 和YOLO4.4 VOC 2012 的结果4.5 泛化能力：艺术作品中的人物检测5. 现实环境下的实时检测6. 结论 摘要 我们提出了YOLO，一种新的
2020-10-14 07:51:09
260
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人