目标检测
君子当自强不息
天行健,君子以自强不息
展开
-
亲测可用!Ubuntu 上PAC VOC数据集划分Python代码实现!
网上关于划分训练集,验证集,测试集的实现已经很多 随便搜索下就可以出来很多 但是自己亲自用过的才是最有保障的吧 特此记录下 以免哪天丢失 又得费一番功夫 也供大家参考下Python代码实现#!/usr/bin/env python# -*- coding:utf-8 -*-# Author: yehaizi time:2019/10/28:9:24import osimport randomtrainval_percent = 0.8 # trainval占总数的比例# train_p原创 2020-06-22 09:11:38 · 389 阅读 · 0 评论 -
PAC VOC数据集annotations文件夹xml文件path路径修改为对应图片路径代码
Python代码实现# coding=utf-8import osimport os.pathimport xml.dom.minidom# 替换xml文件存放路径file_path = "/home/hq/Research/data/VOC/VOCtrainval-2012/VOCdevkit/VOC2012/Annotations"# 替换图片保存路径picture_path = "/home/hq/Research/data/VOC/VOCtrainval-2012/VOCdevkit原创 2020-06-21 20:58:12 · 1614 阅读 · 0 评论 -
详解anchor boxes:为什么Faster R CNN要使用关于anchor boxes?
可以从一个基本的例子对其进行解释。比如,我们可以在卷积神经网络(CNN)的最终卷积(conv)特征图上添加一个回归头。回归头可以是具有四个输出(x,y,w,h)的浅层全连接神经网络(NN)。一般来说,回归头可以使用基于梯度的算法进行优化,达到获取待检测对象位置的目的。但是使用回归头有一个极大的限制,就是当图像中只有一个对象时才管用。如果场景中有两个或多个对象,则可能会干扰边界框的回归,因为每个对...原创 2019-11-13 15:58:44 · 586 阅读 · 0 评论 -
史上最详细:YOLO v3算法的具体流程和实现细节
本文是我对YOLO算法的细节理解总结,本文的阅读前提是已读过YOLO相关论文,文中不会谈及YOLO的发展过程,不会与其他对象检测算法进行对比,也不会介绍YOLO9000相关的内容,只总结YOLOv3算法的具体流程和实现细节。所以,下文中所有提到的YOLO,如非特别说明,均指YOLOv3。如果需要了解更多对象检测算法,可以参考以下部分相关论文:R-CNN Fast R-CNN Faste...转载 2019-11-13 09:11:59 · 10630 阅读 · 2 评论 -
对目标检测中的正负样本的理解
** 目前许多人在看相关目标检测的论文时,常常误以为正样本就是我们手动标注的GT,这个理解是错误的,正确的理解是这样的,看官请看:**首先,正样本是待检测的目标,比如检测人脸时,人脸是正样本,非人脸则是负样本,比如旁边的窗户呀红绿灯呀之类的其他东西其次,在正负样本选取时,要注意:1,正样本是与GT的IOU值大于阈值时的取值,负样本是小于阈值的,其他的则把它去除即可,总之,正负样本都是针对于程...原创 2019-09-01 16:14:09 · 7132 阅读 · 23 评论 -
Deep Residual Learning for Image Recognition(深度残差网络用于图像识别)理解
本文转载于https://blog.csdn.net/dulingtingzi/article/details/79870486,个人觉得博主写的通俗易懂,故将其转发,欢迎大家一起学习,一起进步 其实深度残差网络就是把一串的训练,分成了一个个的block去训练,让每一个block的误差最小,最终达到整体误差最小的目的,所以就不会...转载 2019-09-17 10:19:35 · 2288 阅读 · 0 评论