![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
目标检测
文章平均质量分 91
是否龙磊磊真的一无所有
来自海淀区某研究所的研究生。
展开
-
半监督学习Semi- Supervised Learning的一致性约束,一致正则损失
半监督学习Semi-Supervised Learning核心思想,对于有标签的数据,采用有监督的交叉熵损失;对于无标签数据,采用无监督的一致性正则损失。 分析了半监督学习的主流方法,以及一致性约束的作用条件和对分类损失的不同部分的作用。原创 2023-05-09 14:24:43 · 1349 阅读 · 1 评论 -
双目立体匹配中的极线约束(Epipolar Constraint),基础矩阵(Fundamental Matrix),本质矩阵(Essential Matrix),对极几何(2D-2D)
本文重点分析对极几何(Epipolar Geometry)、对极约束(Epipolar Constraint)、本质矩阵(Essential Matrix)和基础矩阵(Fundamental Matrix),以及他们之间的关系。原创 2023-04-22 01:14:42 · 1577 阅读 · 0 评论 -
光流法Optical Flow,Lucas-Kanade方法,CV中光流的约束分析
本文主要介绍计算机视觉中,光流法Optical Flow Method,Lucas-Kanade方法的约束,CV中光流的约束分析,包括了亮度不变约束,速度向量计算等方法。原创 2023-04-22 01:07:37 · 640 阅读 · 0 评论 -
机器人与视觉——李群与李代数,李括号性质的分析与证明
李群与李代数分析与证明1. 本文重点描述李群(Lie Group)与李代数(Lie Algebra)的相关定义与性质。2. 群是一种集合加一种运算组成的结构。3. 从李群,推导出李代数,得到了李代数是李群在单位元处的正切空间(Tangent Space)的概念。4. 随后,证明了三维向量上李括号的性质,即两个三维向量的李括号是李代数。原创 2022-05-10 13:23:24 · 2279 阅读 · 1 评论 -
目标检测中如何定义正负样本,和正负样本在学习过程中loss计算起的作用
如何定义正负样本,和正负样本在学习过程中loss计算起的作用正负样本定义分类和回归head如何学习和利用划分后的正负样本(loss如何计算)正负样本在分类中loss计算的处理正样本在bbox 回归中的loss计算在目标检测中,经常说起正负样本。本文仔细说一下,如何定义正负样本;定义正负样本之后,在loss计算中,正负样本分别参与到classification head和regression head中,是如何使用正负样本信息进行监督学习的。loss如何从正负样本中,直接得到这两类样本对不同任务的损失函数和原创 2021-08-27 11:07:19 · 9094 阅读 · 8 评论 -
OpenCV 相机校正过程中,calibrateCamera函数projectPoints函数的重投影误差的分析
主要是讲解Python利用OpenCV进行相机校正过程中,几个重点参数的分析。标定的过程就不再一一赘述了,很多博客和网站都在讲解怎么进行标定。本文章主要分析,标定过程中的误差计算公式,和对calibrateCamera( ) 和 projectPoints( )两个函数得到的误差,不同的原因进行分析。本文是重点分析重投影误差的计算方式。准确描述opencv自带的函数,和各个博客、教程里面所说的重投影误差计算的流程进行分析和对比,描述官方的重投影误差和教程实现重投影误差的差别。...原创 2021-01-24 02:03:45 · 28995 阅读 · 52 评论 -
基于深度学习的口罩识别与检测PyTorch实现
基于深度学习的口罩识别与检测PyTorch实现1. 设计思路1.1 两阶段检测器:先检测人脸,然后将人脸进行分类,戴口罩与不戴口罩。1.2 一阶段检测器:直接训练口罩检测器,训练样本问人脸的标注信息,戴口罩的,不带口罩的。2. 算法具体实现。2.1 两阶段口罩识别检测器设计2.2 实现代码分析2.2.1 训练分类器并且保存模型2.2.2 人脸检测与剪裁,然后进行分类。3.总结4. 参考链接。两阶段口罩检测的算法设计与实现。主要讲解整体pipeline的设计。原创 2020-10-25 15:11:48 · 13755 阅读 · 8 评论 -
基于FPGA实现的MobileNet V1,FPGA深度学习加速器设计 CNN Accelerators based on FPGAs
Automatic Generation of Multi-precision Multi-arithmetic CNN Accelerators for FPGAs最近arXiv上挂出来一篇文章,采用FPGA实现MobileNet V1,并且完全是不借助片外资源,用的是on-chip memory,没有利用off-chip RAM。整个模型在FPGA的内部有限资源上实现的。能够使得帧率在30...原创 2019-11-21 18:22:51 · 4353 阅读 · 7 评论 -
SURF算法与SIFT算法的性能比较——图像特征点检测与提取算法分析
图像特征点提取算法的算法研究(SURF和SIFT算法)1. 摘要 计算机视觉中,很大一部分研究集中在图像特征提取和特征生成算法上。对图像的优化,不同于一般数学问题的优化方法,图像的优化是对像素点,在某一个小的邻域内,进行特征的提取或者图像的分析,该优化主要是进行局部区域的优化,要寻找局部极值,而不像传统的优化算法那样进行全局的优化求解。由于相同物体在不同状态下所...原创 2017-11-30 21:19:02 · 16442 阅读 · 37 评论 -
SSD(Single shot multibox detector)目标检测模型架构和设计细节分析
先给出论文链接:SSD: Single Shot MultiBox Detector 本文将对SSD中一些难以理解的细节做仔细分析,包括了default box和ground truth的结合,default box结合到不同检测的feature map层上,难样本挖掘,数据扩充,Atrous Algorithm算法原理等。包括了SSD对一阶段目标检测的贡献以及总结了SSD对其他目标检测方法的关键改进点。一、SSD具有如下主要特点 ...原创 2019-04-27 19:24:05 · 1277 阅读 · 0 评论 -
基于FCN,U-Net的深度学习医学影像分割算法(细胞分割算法)以及传统算法分析
本博文主要分析了基于传统计算机视觉的细胞分割算法和基于深度学习的细胞分割算法。主要针对医学影像分割算法。包括了FCN全卷积网络的细胞分割效果,U-Net细胞分割效果。查阅了采用深度学习分割医学影像的几十篇论文,做出的总结。 医学影像分割——细胞分割算法分析与总结1. 基于传统算法的细胞分割总结 1.1几种常用二值化方法 1.1.1 全局二...原创 2019-04-27 00:41:02 · 13939 阅读 · 20 评论 -
PyTorch加载模型model.load_state_dict()问题,Unexpected key(s) in state_dict: “module.features..,Expected .
希望将训练好的模型加载到新的网络上。如上面题目所描述的,PyTorch在加载之前保存的模型参数的时候,遇到了问题。 Unexpected key(s) in state_dict: "module.features. ...".,Expected ".features....". 直接原因是key值名字不对应。 表明了加载过程中,期望获得的key值为feature...,而不是...原创 2019-04-17 00:23:51 · 64676 阅读 · 23 评论 -
YOLOv3 训练的各种config文件以及weights文件。
YOLOv3训练过程中的各种文件。包括配置文件,权重文件。yolov3.ptyolov3.weightsdarknet53.conv.74yolov3-spp.weightsyolov3-tiny.conv.15yolov3-tiny.ptyolov3-tiny.weighshttps://drive.google.com/open?id=1uxgUBemJVw9w...原创 2019-03-21 18:07:18 · 20414 阅读 · 17 评论 -
目标检测计算mAP,AP,Recall,Precision的计算方式和代码(YOLO和FastRCNN等)
目标检测中计算mAP是较为复杂的,并不是很多讲解中说的那个计算precision和recall,然后总的ground truth 目标和检测出的真实目标做除法就可以了。而是需要构建precision和recall 曲线,然后计算曲线面积。一下是代码,可以去相关网站查看计算过程,过程较为复杂。mAP计算详解https://github.com/rafaelpadilla/Object-De...原创 2019-03-24 23:06:23 · 7929 阅读 · 1 评论 -
基于CNN目标检测方法(RCNN,Fast-RCNN,Faster-RCNN,Mask-RCNN,YOLO,SSD)行人检测,目标追踪,卷积神经网络
一、研究意义卷积神经网络(CNN)由于其强大的特征提取能力,近年来被广泛用于计算机视觉领域。1998年Yann LeCun等提出的LeNet-5网络结构,该结构使得卷积神经网络可以端到端的训练,并应用于文档识别。LeNet-5结构是CNN最经典的网络结构,而后发展的卷积神经网络结构都是由此版本衍生而来。在过去六年中,由于深度学习和卷积网络的发展和进步,基于图...原创 2018-06-10 11:10:38 · 38362 阅读 · 0 评论