![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
Oswald_liu
这个作者很懒,什么都没留下…
展开
-
yolo1解析
YOLO(You Only Look Once) 是可谓是第一个相对成功One-Stage物体检测,在2016年被提出,本着速度的优势一跃成为与RCNN系列并驾齐驱的物体检测框架。YOLO V1指标:YOLO V1 mAP和FPS对比:YOLO V1的速度...转载 2019-05-27 16:10:40 · 389 阅读 · 0 评论 -
目标窗口检测算法-NMS非极大值抑制
YOLO在最后的一个步骤就是对 SxSx(Bx5+C) 个向量进行非极大值抑制(Non-max suppression),一开始不是太明白非极大值抑制是如何操作的,也就是不太清楚YOLO最后做完卷积后如何对求得向量进行预测,求得目标框位置。对YOLO代码分析完之后对其他步骤操作有了一个大致的认识之后,回顾最后一步非极大值抑制,发现非极大值抑制在R-CNN、Fast-RCNN都有用到的同样的概念,...转载 2019-06-03 16:47:49 · 269 阅读 · 0 评论 -
图像处理的交并比(IoU)
交并比(Intersection-over-Union,IoU),目标检测中使用的一个概念,是产生的候选框(candidate bound)与原标记框(ground truth bound)的交叠率,即它们的交集与并集的比值。最理想情况是完全重叠,即比值为1。计算公式:Python实现代码:def calculateIoU(candidateBound, groundTruthBound...转载 2019-06-25 17:11:14 · 1525 阅读 · 0 评论 -
目标检测交并比(IoU)理解
交并比(Intersection-over-Union,IoU):目标检测中使用的一个概念是产生的候选框(candidate bound)与原标记框(ground truth bound)的交叠率即它们的交集与并集的比值。最理想情况是完全重叠,即比值为1。基础知识:交集:集合论中,设A,B是两个集合,由所有属于集合A且属于集合B的元素所组成的集合,叫做集合A与集合B的交集,记作A∩B。...转载 2019-06-25 17:28:27 · 1299 阅读 · 0 评论 -
边框回归(Bounding Box Regression)详解
版权声明:本文为博主原创文章,未经博主允许不得转载。 h...转载 2019-06-28 10:09:15 · 681 阅读 · 0 评论