![](https://img-blog.csdnimg.cn/20201014180756913.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 83
Hold on Faith
记录成长,记录学习
展开
-
Faster R-CNN
算法过程(RPN+Fast R-CNN)将图像输入网络得到相应的特征图使用RPN结构生成后选矿,将RPN生成的候选框投影到特征图上获得相应的特征矩阵将每个特征矩阵通过RoI pooling层缩放到7x7大小的特征图,接着将特征图展平通过一系列全连接层得到预测结果将图像输入网络得到相应的特征图与Fast R-CNN第一步相同使用RPN结构生成候选框,将RPN生成的候选框投影到特征图上获得相应的特征矩阵RPN结构2k scores:一个anchor对应两个概率,一个是前景的概率,一个原创 2021-05-10 21:37:08 · 350 阅读 · 0 评论 -
Fast R-CNN
算法过程使用SS算法将一张图像生成1k~2k个候选区域将图像输入网络得到相应的特征图,将SS算法生成的候选框投影到特征图上获得相应的特征矩阵将每个特征矩阵通过RoI pooling层缩放到7*7大小的特征图,接着将特征图展平通过一系列全连接层得到预测结果1、使用SS算法将一张图像生成1k~2k个候选区域这一部分和R-CNN算法一样。2、将图像输入网络得到相应的特征图,将SS算法生成的候选框投影到特征图上获得相应的特征矩阵Fast-RCNN将整张图像送入网络,紧接着从 特征图像上提取相应的原创 2021-05-10 10:09:55 · 252 阅读 · 0 评论 -
R-CNN
目标识别过程1.通过SS算法对一张图像生成1K~2K个候选区域(Region Proposals)2.对每个候选区域,使用深度网络提取特征3.用SVM对特征进行分类4.使用回归器精细修正候选框的位置1、通过SS算法对一张图像生成1K~2K个候选区域(Region Proposals)利用 Selective Search算法通过图像分割的方法得到一些原始区域,然后使用一些合并策略将这些区域合并,得到一个层次化的区域结构,而这些结构就包含着可能需要的物体。如下图所示 能够生成候选区域的方法原创 2021-05-10 09:48:47 · 211 阅读 · 0 评论 -
Pytorch实现LeNet
为自己的学习做个笔记,以免以后遗忘。model.py定义网络模型import torchimport torch.nn as nnimport torch.nn.functional as F class LeNet(nn.Module): def __init__(self): super(LeNet, self).__init__() self.conv1 = nn.Conv2d(3, 16, 5) self.maxpool1 = .原创 2021-05-06 22:09:34 · 268 阅读 · 0 评论