![](https://img-blog.csdnimg.cn/20201014180756757.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
目标检测
文章平均质量分 80
OngoingDC
这个作者很懒,什么都没留下…
展开
-
YOLOv5——NMS
def non_max_suppression(prediction, conf_thres=0.25, iou_thres=0.45, classes=None, agnostic=False, multi_label=False, labels=()): """Runs Non-Maximum Suppression (NMS) on inference results Returns: list of detectio原创 2021-11-08 21:18:26 · 3588 阅读 · 2 评论 -
A single-shot multi-level feature reused neural network for object detection(阅读笔记)
概述本文提出一种新颖的轻量化框架——多级特征重用检测器(multi-level feature reused detector——MFRDet)。该框架的检测精度优于两阶段系列框架。该框架可以向单阶段系列框架一样保持相当高的效率,但是不用使用非常深的卷积神经网络。该框架适用于深层和浅层特征图中的信息重用,在不影响检测器速度的前提下,提高了检测精度。背景知识In pursuit of higher precision, there are usually two strategies: On原创 2021-10-08 19:58:11 · 458 阅读 · 1 评论 -
吴恩达——神经网络和深度学习——笔记
1 神经网络基础1.1 二分分类logistic回归是一个用于二分分类的算法在二分分类问题中,目标是训练出一个分类器识别图片中的猫,输出1表示是猫,输出0表示不是猫。计算机保存一张图片,要保存三个独立矩阵,分别对应图中的红绿蓝三个颜色通道。假设图片是64x64像素的,就有3个64x64的矩阵,分别对应图中红绿蓝三个像素的亮度。要将这些像素亮度值放入一个特征向量中,就要把这些像素值提取出来,放入一个特征向量x,如上图表示的那样。将所有像素放在一列中,所以他的维度就是64x64x3。用n或者原创 2021-01-13 15:14:06 · 253 阅读 · 0 评论 -
Aggregated Residual Transformations for Deep Neural Networks【ResNeXt翻译】
论文链接代码链接(Pytorch)介绍图1图1图1本文提出一种简单的体系结构,这个结构采用VGG和ResNet使用的层堆叠策略,同时以一种简单、可扩展的方式利用拆分-转换-合并的策略。我们网络中的一个模块执行一组转换,每个转换都在低维嵌入中进行,其输出通过求和进行聚合。我们追求该想法的简单实现——要聚合的转换都是相同的拓扑(如图1右边所示)。这种设计允许我们扩展到任何大量的转换,而不需要专门去设计。在这种简化的情况下,我们的模型还有另外两种等效形式(图3)。图3(b)中的重构看起来类似于In.翻译 2020-11-26 13:15:27 · 372 阅读 · 0 评论 -
PyTorch-YOLOv3(eriklindernoren)训练教程
笔记教程,方便自己回忆系统:Ubuntu 18.041、准备工作1.1、克隆项目为了防止文件夹混乱,自己在主目录下cd ~创建一个文件夹mkdir YOLOv3,专门用于存放关于YOLOv3的一些工作。进入YOLOv3cd YOLOv3克隆git clone https://github.com/eriklindernoren/PyTorch-YOLOv31.2、安装模块创建虚拟环境conda create -n yolov3-pytorch python=3.6,之前安装的虚拟.原创 2020-11-12 12:32:38 · 3944 阅读 · 27 评论 -
yolov3-pytorch(ultralytics)训练数据
笔记教程,方便自己回忆系统:Ubuntu 18.041、准备工作1.1、克隆项目为了防止文件夹混乱,自己在主目录下cd ~创建一个文件夹mkdir YOLOv3,专门用于存放关于YOLOv3的一些工作。进入YOLOv3cd YOLOv3克隆git clone git@github.com:ultralytics/yolov3.git1.2、安装模块创建虚拟环境conda create -n yolov3-pytorch python=3.8,python版本最好3.8或者以上激.原创 2020-11-12 12:32:03 · 3589 阅读 · 5 评论 -
显著性背景感知的多尺度红外行人检测方法(阅读笔记)
1、本文总览该文提出一种具备背景感知能力的多尺度红外行人检测方法,在提高小目标检测性能的同时,减少冗余计算。首先,构建了4尺度的特征金字塔网络分别独立预测目标,补充高分辨率细节特征。其次,在特征金字塔结构的横向连接中融入注意力模块,产生显著性特征,抑制不相关区域的特征响应、突出图像局部目标特征。最后,在显著性系数的基础上构建了锚框掩膜生成子网络,约束锚框位置,排除平坦背景,提高处理效率。实验结果表明:显著性生成子网络仅增加5.94%的处理时间,具备轻量特性;超大视场(U-FOV)红外行人原创 2020-12-06 19:37:28 · 703 阅读 · 0 评论 -
改进 YOLO V3 的集中器故障识别(阅读笔记)
1、背景待识别目标大小差异较大个别目标非常相似,因此要求算法能够准确定位各种不同尺度目标的位置,同时区分相似目标的类型 。2、YOLOv3存在的问题YOLOv3 的 anchor 是基于 K-Means 对数据集聚类得到,存在以下两个问题:大部分的 anchor 都分布在背景区域,这些 anchor 对检测没有任何作用;个别检测目标宽高比极大,而个别目标宽高比又非常小 ,预先定义好的 anchor 无法满足这些宽高比差异较大的情况 。3、改进3.1、改进1:基于优化的 anchor原创 2020-12-06 19:37:47 · 270 阅读 · 0 评论 -
EfficientDet:可扩展的高效目标检测
文章目录1、摘要2、介绍3、相关工作4、BiFPN1、摘要本文主要研究如何提高模型的效率,并提出了EfficientDet新的目标检测器。首先,我们提出了一种 weighted bi-directional feature pyramid network (加权双向特征金字塔网络——BiFPN),它可以方便、快速地进行多尺度特征融合;其次,我们提出了一种 compound scaling method(复合缩放方法),可以同时对所有主干、特征网络和盒/类预测网络的分辨率、深度和宽度进行统一缩放。其翻译 2020-10-15 16:09:43 · 767 阅读 · 0 评论 -
Ubuntu18.04——深度学习环境配置
操作系统:Ubuntu18.04显卡:RTX2070注:本教程仅仅是我做笔记方便回忆,不一定适用于所有人cuda安装run方式安装打开网站,链接,获取包。禁用 nouveau终端中运行: lsmod | grep nouveau,如果有输出则代表nouveau正在加载。因为我早就安装了NVIDIA的显卡驱动,禁用了nouveau,所以没有输出。cuda的卸载之前安装的cuda11.1不能使用Pytorch,于是想卸载当前版本的cuda,网上的教程都是执行cuda目录下的脚本,但.原创 2020-10-13 18:20:41 · 406 阅读 · 0 评论 -
YOLO v4学习笔记
文章目录1、概述2、Bag of freebies1、概述论文链接点我有一些可以提高卷积神经网络准确率的特征仅适用于某一类模型、某些问题或者小规模的数据集;然而某些特征(比如批归一化和残差链接)适用于大多数模型、任务或是数据集。我们假设这些通用的特征包括:加权残差连接(Weighted−Residual−ConnectionsWeighted-Residual-ConnectionsWeighted−Residual−Connections)(WRCWRCWRC)跨阶段部分连接(Cross−S翻译 2020-09-27 21:34:00 · 414 阅读 · 0 评论 -
yolo v3学习笔记
目录1、基本网络2、YOLO V3网络结构参考1、基本网络YOLO V3采用了名为Darknet-53的网络结构(如上图),之所以是53,是因为含有53个卷积层,最后的Connected是全连接层也是卷积层。按照下图计算层数:(2+1∗2+1+2∗2+1+8∗2+1+8∗2+1+4∗2+1)=53(2+1*2+1+2*2+1+8*2+1+8*2+1+4*2+1)=53(2+1∗2+1+2∗2+1+8∗2+1+8∗2+1+4∗2+1)=53。每个卷积层后面都会跟一个BN层和一个LeakyReLU层。卷原创 2020-09-23 16:24:57 · 379 阅读 · 0 评论 -
目标检测知识总结
卷积神经网络中的特征图(feature map)在每个卷积层,数据都是以三维形式存在的。你可以把它看成多个二维图片叠在一起,其中每一个称为一个feature map。在输入层,如果是灰度图片,那就只有一个feature map;如果是彩色图片,一般就是3个feature map(红绿蓝)。层与层之间会有若干个卷积核(kernel),上一层中每个feature map跟每个卷积核做卷积,都会产生下一层的一个feature map。 feature map(下图红线标出) 即:该层卷积核的个数,有多少个卷积原创 2020-09-23 10:04:26 · 946 阅读 · 1 评论