- 博客(4)
- 收藏
- 关注
RSS订阅原创 目标检测学习笔记3---FCOS
anchor-free 这类算法性能优异的核心在于 bbox 正负样本分配，不同的 anchor-free 算法主要区别就在于此，或者说各类 anchor-free 算法最大创新点就在于此，在fcos中针对正负样本分配问题主要提出的有：1.匹配准则:点(x,y)不仅要在GT的范围内，还要离GT的中心点( cx , cy )足够近才能被视为正样本。2.当特征图上的某一点同时落入多个GT Box内时，默认将该点分配给面积Area最小的GT Box。
2024-03-09 19:20:17
1850
原创 目标检测学习笔记2---deformable-detr
one-stage全部流程提前在DeformableDETR中生成6个共享分类头和6个共享回归头。backbone输出3个不同尺度的特征，然后接上3个1x1conv和1个3x3conv，最后得到4个不同尺度的特征图；生成Encoder相对4个特征图固定的参考点xy坐标+4个不同尺度的特征图，输入encoder，得到增强版的特征图memory：[bs, H/8 * W/8 + H/16 * W/16 + H/32 * W/32 + H/64 * W/64, 256]；
2024-03-06 12:17:38
896
原创 deformable-detr论文解析
传统detr受限于不能输入特别大的图像到网络，因为展开为一个序列输入到transformer中时，序列长度呈原图宽（高）的指数倍，而且在transformer中展开序列的每一个像素点都需要对全部像素点求注意力，增加图片尺寸对计算量的影响非常大。在deformable-detr中就提出每个位置都只对附近位置进行注意力计算，而不是对全部位置进行计算，降低了计算量。可变型卷积只知道这些点是重要特征，缺少对点与点之间的位置关系进行联系。
2024-03-06 12:16:32
2008
原创 目标检测学习笔记1-Detr源码分析
最近在学习detr，看完论文尝试着看源码，水平不行还是参考了很多大牛的解析，简单说一下看论文和源码的思路吧，我觉得这种方法还是很有帮助的。
2024-02-13 21:33:03
1746
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