![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
目标检测
文章平均质量分 66
mohoooooo
理塘程序猿,负责新型电子烟的研发工作。
展开
-
【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,原创 2022-04-20 21:04:04 · 222 阅读 · 0 评论 -
【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)。在最小的原创 2022-04-20 17:11:21 · 1251 阅读 · 0 评论 -
【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原创 2022-04-20 11:52:24 · 1640 阅读 · 0 评论 -
【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*原创 2022-04-20 10:30:05 · 2121 阅读 · 0 评论 -
【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原创 2022-04-19 20:59:48 · 130 阅读 · 0 评论 -
感受野的概念
…转载 2022-04-19 16:19:49 · 443 阅读 · 0 评论 -
【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原创 2022-04-19 15:38:18 · 185 阅读 · 0 评论 -
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转载 2022-04-19 14:27:23 · 4120 阅读 · 0 评论 -
【1】目标检测 Fast R-CNN
Fast R-CNN学习笔记原创 2022-04-19 14:02:53 · 175 阅读 · 0 评论