- 博客(16)
- 收藏
- 关注
RSS订阅转载 准确率、召回率、AP、mAP指标
https://blog.csdn.net/DaGongJiGuoMaLu09/article/details/90169467这里写目录标题准确率和召回率PR曲线APmAP准确率和召回率真实值与预测值之间的关系如下左图所示，右图是二者之间的一个直观表示，同时也能清晰的看出准确率和召回率的具体含义。准确率 P 给出了“预测为真值的样本中确实有多少比例为真值”，召回率 R 则给出了“本来就是真值的样本模型预测出来了多少”。所以，准确率也称为“查准率”，它说明的是预测真值中有多少是对的；召回率也称为“查全
2022-04-25 16:20:06
858
原创 【0】语义分割前言
这里写目录标题常见分隔任务语义分割 (semantic segmentation)实例分割(Instance segmentation)全景分割(Panoramic segmentation)语义分割常见的数据集PASCAL VOCMS COCO语义分割常见的评价指标常见分隔任务语义分割 (semantic segmentation)通常意义上的目标分割指的就是语义分割，图像语义分割，简而言之就是对一张图片上的所有像素点进行分类，即对图像中的每个像素都划分出对应的类别，实现像素级别的分类。举例说明：
2022-04-25 15:35:35
2838
转载 Bag of Freebies(免费包)和Bag-of-Specials(特赠包)
Bag of Freebies：指的是那些不增加模型复杂度，也不增加推理的计算量的训练方法技巧，来提高模型的准确度https://zhuanlan.zhihu.com/p/141878389Bag-of-Specials：指的是那些增加少许模型复杂度或计算量的训练技巧，但可以显著提高模型的准确度https://zhuanlan.zhihu.com/p/307303944 BoF指的是 1）数据增强：图像几何变换（随机缩放，裁剪，旋转），Cutm
2022-04-20 21:09:27
1964
原创 【7】目标检测之YOLO v4
这里写目录标题优化策略Eliminate grid sensitivity 消除grid的敏感性Mosaic data augumentation Mosaic数据增强IOU threshold(match positive samples)网络结构知识点CSPDarknet53CBNMResBlockSPP结构FPN+PAN结构损失函数训练方法优化策略Eliminate grid sensitivity 消除grid的敏感性在yolov3中，边界框的计算公式为导致只有tx，ty取很大值的时候，
2022-04-20 21:04:04
215
原创 【6】目标检测之YOLO v3
这里写目录标题改进Darknet-53多尺度特征图预测正负样本匹配网络结构知识点损失函数改进Darknet-53骨干网络采用Darknet-53 的网络结构，含有53个卷积层，增加了残差结构。多尺度特征图预测YOLO v3 更进一步采用了 3 个不同尺度的特征图来进行对象检测，可以参考下面的网络结构图，通过聚类的方法生成了9种先验框(10x13)，(16x30)，(33x23)，(30x61)，(62x45)，(59x119)，(116x90)，(156x198)，(373x326)。在最小的
2022-04-20 17:11:21
1245
原创 【5】目标检测之YOLO v2
这里写目录标题相较于YOLOv1的改进Batch Normalization 批标准化High Resolution Classifier 高分辨率的分类器Dimension Clusters 维度聚类Convolutional With Anchor Boxes 使用Anchor Box机制来预测Bounding BoxDirect Location Prediction 直接位置预测Fine-Grained Features 细粒度特征Multi-Scale Training 多尺度训练网络结构知识点P
2022-04-20 11:52:24
1638
原创 【4】目标检测之YOLO v1
这里写目录标题论文思想网络结构损失函数知识点缺点论文思想将一幅图分成S*S个网格（grid cell），如果某个object的中心落在网格中心，则这个网格就负责预测这个object，每个网格要预测B个bounding box，每个bounding box的预测包括位置信息(x,y,w,h)和confidence值，每个网格还要预测C个类别的分数。网络结构在网络最后经过fc(1470)和reshape，最终得到了7730的tensor，这是因为在设计网络时，令S=7,B=2,C=20,即SS(B*
2022-04-20 10:30:05
2118
原创 【3】目标检测之SSD-Single Shot MultiBox Detector
这里写目录标题网络结构知识点DefaultBoxPredictor损失函数类别损失定位损失训练方法网络结构骨干网络采用VGG-16模型，将经过卷积得到的特征层中的Conv4_3, Conv7, Conv8_2, Conv9_2, Conv10_2, Conv11_2这一共6个特征层作为预测层，分别通过Predictor进行卷积获得8732个default box的category score和shape offset to default box coordinates,将预测结果经过筛选和非极大值抑制
2022-04-19 20:59:48
128
原创 【2】目标检测之Faster R-CNN
这里写目录标题算法流程网络结构知识点anchor boxesRegion Proposal Network感受野损失函数RPN Multi-task lossFast R-CNN Multi-task loss训练方法算法流程将图像输入网络得到相应的特征图对于特征图上的每个3*3的滑动窗口，计算出滑动窗口中心点对应的原始图像上的点，以该点作为中心点生成k个anchor boxes使用RPN结构生成候选框(proposal)，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特
2022-04-19 15:38:18
183
转载 One-Stage与Two-Stage的比较
这里写目录标题简介优缺点主要算法简介在基于深度学习算法的目标检测算法主要分两类：One-Stage与Two-Stage。One-Stage与Two-Stage是两种不同的思路，其各有各的优缺点。One-Stage 主要思路：直接通过卷积神经网络提取特征，预测目标的分类与定位；Two-Stage 主要思路：先进行区域生成，即生成候选区域（Region Proposal），在通过卷积神经网络预测目标的分类与定位； 优缺点优缺点One-StageTwo-Stag
2022-04-19 14:27:23
4099
原创 课设（三）邻接矩阵表示有向图
邻接矩阵表示有向图1.简介2.代码a.头文件及宏定义b.子程序（1）数据结构定义及相关操作（2）输出邻接矩阵（3）加边（点）、删边（点）（4）遍历（5）程序运行引导c.主程序1.简介实现初始化、加边、加顶点、删边、删顶点、遍历等操作。2.代码a.头文件及宏定义#include<cstdio>#include<iostream>#include<cstri...
2020-04-27 00:13:19
572
原创 课设（二）二叉(平衡)排序树
二叉（平衡）排序树1.简介2.代码a.头文件及宏定义b.子程序（1）数据结构及相关操作（2）查找节点（3）平衡化（4）插入节点（4）删除节点（5）遍历b.主程序1.简介用平衡树实现二叉排序树的插入功能，用来构造二叉排序树；编写函数实现查找、遍历（三种遍历）、删除的操作。2.代码a.头文件及宏定义#include "stdlib.h"#include "iostream.h"#def...
2020-04-26 23:58:22
478
原创 课设（一）任意长整数的加减法
任意长整数的加减法简介头文件和宏定义三级目录简介这里是一个苦逼大学生的自述，第一次写blog，内容是课设的三个题目，由于能力有限，编写代码的过程中也参考了网络上的代码，有不足的地方希望大家可以指出来，如果可以帮助到大家也是我的。最近和学长一起参加智能车比赛，以后也会把自己调试的心得写在CSDN上。头文件和宏定义// An highlighted blockvar foo = 'bar';...
2020-04-26 22:58:55
1570
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