qq_31510081的博客

我们激励并展示功能选择性免锚（FSAF）模块，这是单发物体检测器的简单有效的构建块。可以将其插入具有特征金字塔结构的单发检测器。 FSAF模块解决了传统基于锚的检测带来的两个限制：1）启发式引导特征选择； 2）基于重叠的锚采样。 FSAF模块的一般概念是在线特征选择，用于选择多级无锚分支。具体来说，将无锚的分支附加到要素金字塔的每个级别，从而允许在任意级别以无锚的方式进行盒编码和解码。在训练期间，我们会动态地将每个实例分配给最合适的功能级别。在进行推断时，FSAF模块可以通过并行输出预测与基于锚的分支一起工

我们通过利用特征的通道间关系来生成通道注意图。由于特征图的每个通道都被视为特征检测器[32]，因此通道注意集中于“对于输入图像而言有意义的”。为了有效地计算频道注意力，我们挤压输入特征图的空间尺寸。迄今为止，为汇总空间信息，通常采用平均池化。 Zhou等人[33]建议用它来有效地学习目标物体的范围，Hu等人[33]则建议使用这种方法。 [28]在他们的注意力模块中采用它来计算空间统计量。除了先前的工作，我们认为最大池收集了关于物体独特特征的另一个重要线索，以推断出更精细的通道注意。因此，我们同时使用平均池和

参考链接.COCO评估指标除非另有说明，否则AP和AR在多个交汇点（IoU）值上取平均值，使用0.50到0.95共10个IOU阈值下的mAP求平均，结果就是COCO数据集定义的AP，与只用一个IOU=0.50下计算的AP相比，是一个突破；AP是所有类别的平均值。传统上，这被称为“平均准确度”（mAP，mean average precision）。官方没有区分AP和mAP（同样是AR和mAR），并假定从上下文中可以清楚地看出差异。AP（所有10个IoU阈值和所有80个类别的平均值）将决定赢家。在考虑

首先感谢CSDN上博主们的解答，https://blog.csdn.net/weixin_41010198/article/details/106258366#comments_12757965https://blog.csdn.net/qq_35447659/article/details/98492205#comments_12769166解决了很多问题然后碰到了一些个人实践中的问题，比如Traceback (most recent call last): File "tools/trai

import torchimport torch.nn as nnimport torch.nn.functional as Ffrom torch.autograd import Variablefrom layers import *from data import voc, cocoimport torchvisionimport os# ssd.pycfg = [256, 'S', 512, 128, 'S', 256, 128, 256, 128, 256]flag = Fal

于2019年11月18日发表于remote sensing上Abstract:提出传统方法的缺点：然后是deep learning algorithms的缺点本文的目的：In order to enhance the feature extraction ability of the network,方法：对SAR图像进行多级解析优化，处理杂波和旁瓣，增强对SAR图像特征的分辨能力...

2019年3月5日发表于sensors，受 Li, Z.; Peng, C.; Yu, G.; Zhang, X.; Deng, Y.; Sun, J. Light-Head R-CNN: In Defense of Two-Stage Object Detector. arXiv 2017, arXiv:1711.07264.这篇文章的启发，针对多尺度目标检测提出多层融合的轻量化检测器（ mul...

Detection of Small Ship Objects Using Anchor Boxes Cluster and Feature Pyramid Network Model for SAR ImageryFPN： suitable for the detection of multiple small ship objects in SAR images.论文目的This stu...

A Novel Detector Based on Convolution Neural Networks for Multiscale SAR Ship Detection in Complex Background20204月发表在sensors上文章提出，现有的模型在复杂背景下检测多尺度舰船目标和小目标时效果并不令人满意，因此，基于CNN提出一种新型SAR舰船检测，包含三个分支结构，融合...

常用英文文献搜索基地最近论文被退稿了，其中有一条是嫌弃我英文文献过少，，，，参考文献方面，国内文献偏多，且许多文献还不能代表该领域的前沿工作。这我能忍，不就是英文文献吗？中文的水刊我都读下来了我还怕英文？？？？？？来来来，英文文献读起来知乎大佬指导1.知乎大佬指导2.以下是自己常用的ResearchGate.需要申请一个账号，只要有学校的邮箱就行下面这俩直接搜，贼好用arxiv...

因为还没有回学校，看论文不搞实验实在是一脸懵，尤其对我这种基础不好的人。花半天时间安装了环境，能跑起来真是太好了。果然不管什么时候不能局限于一种系统下，，虽然不太习惯，但windows也没有想象中那么不好用。参考博客windows10下安装GPU版pytorch简明教程.Windows10下Pytorch配置.win10安装opencv，pycharm中import cv2失败.重点步骤...

flag=0for k, v in enumerate(self.base): #for k, v in enumerate(base): #print(k,v) x = v(x) #hxh 经过vgg或者resnet的处理？ if (k-1,k)[self.model=='resnet'] in extract[self.model]['b']: ...

该文章针对resnet中的三个主要模块：信息流的传递、残差模块和跳层连接（ Our proposed improvements address all three main components of a ResNet: the flow of information through the network layers, the residual building block, and the p...

detection代码位于code\SSD_pytorch-master\layers\functions\detection.py在代码中定义了Detect类用于对结果进行解码。在代码中有注释At test time, Detect is the final layer of SSD也就是，detect只用于在预测中，是SSD的最后一层。它的作用有以下几点：1）Decode locati...

现在难点在于：问题一1.SSD最后的预测结果是怎么画到图上的，回归的时候是让prior box和gt做损失得到priorbox就是检测结果吗？如果不是从已有的anchor中得到检测结果的话，是重新得到了一个box吗？（1）这个问题来源于深度学习笔记（七）SSD 论文阅读笔记简化作者回复：回归目标不是 GT, 而是GT - prior box，这么理解吧：（预测的 box + prio...

SSD由基础网络VGG的两层变形网络和额外增加的四层网络来进行特征图提取，利用自身不同大小的特征图构建了一个特征金字塔。但是每个特征层间没有融合，也没有进行特征的重用和回传，这就是和FPN不一样的地方。所以SSD的改进如DSSD，RSSD,RefineDet和RFBNet这类都是对特征图进行不同方式的融合来进行提高（RFBNet是感受野融合）SSD通过六层卷积提取出特征层后对每个特征层进行预测，...

卷积神经网络的基础回顾可能是基础太不牢靠了，以至于现在看代码被困死在基础里，重新开始回顾一下比较基础的概念和理解吧。后悔没好好学矩阵啊特征图大小的计算参考1参考2对Anchor的思考参考1...

pytorch函数或python函数持续更新itertools之product函数参考迭代工具 product & zip 使用方法.Python range() 函数用法.如product(‘ab’, range(3))相当于是组合两个list，list1=‘ab’,list2=‘0,1,2’将两部分可迭代对象，一一组合起来.假设两个可迭代对象，第一个为N维， 第二个为M维...

发现for v in cfg这个命令可以直接读到cfg中的非数字值，感觉像k-v但具体是为什么还不清楚

torch.randn(*sizes, out=None) → Tensor返回一个张量，从标准正态分布（均值为0，方差为1）中抽取的一组随机数。张量的形状由参数sizes定义。