CV
文章平均质量分 54
qq_37501800
这个作者很懒,什么都没留下…
展开
-
OCR——CRNN
CRNN原创 2022-06-06 19:36:31 · 229 阅读 · 0 评论 -
MobileNet网络
这里写目录标题一、MobileNet v1MobileNet v1亮点亮点1:DW卷积(减少运算量和参数数量)亮点2:增加超参数:α \alpha\,α(控制卷积核个数的超参数),β \beta\,β(控制输入图像大小的超参数)1、DW卷积与传统卷积区别2、深度可分离卷积(DW+PW)(1)PW卷积:1*1的普通卷积(2)普通卷积与深度可分离卷积计算量对比(3) MobileNet v1网络结构二、MobileNet v2MobileNet v2亮点亮点1:Inverted Residuals(倒残差结构原创 2022-05-12 16:44:58 · 1464 阅读 · 0 评论 -
转置卷积+FCN语义分割网络
一、转置卷积1、定义转置卷积(Transposed Convolution) 在语义分割或者对抗神经网络(GAN)中比较常见,其主要作用就是做上采样(UpSampling)。在有些地方转置卷积又被称作fractionally-strided convolution或者deconvolution,但deconvolution具有误导性,不建议使用。**对于转置卷积需要注意的是:**(1)转置卷积不是卷积的逆运算、不是逆运算、不是逆运算(重要的事情说三遍) 转置卷积不是卷积的逆运算(一般卷积操作是原创 2021-11-22 18:40:45 · 2003 阅读 · 0 评论 -
二阶段网络
1、RCNN对2000*20的每一列分别进行极大值抑制,保留高质量建议框2、fast-RCNN1、fast-RCNN的第二步于RCNN完全不同:RCNN将2000候选框送入CNN网络;fast-RCNN将整张图送入CNN网络得到特征图,将候选区域映射到特征图得到特征矩阵2、fast-RCNN的第三步于RCNN完全不同:RCNN专门训练SVM分类器和回归器fast-RCNN结合在一个网络中,不需要专门训练SVM分类器和回归器每一个ROI区域划分为7*7=49分做最大池原创 2021-01-13 22:17:37 · 877 阅读 · 0 评论 -
M2Det
M2Det一级目录学习目标研究背景1、存在问题2、前情提要一级目录解决多尺度问题:(1)目标检测中,一张图片会存在大大小小的物体,尺度大小差异(2)同种类型的物体,有大有小,靠近镜头大,远离校。但是大小不一样,特征一样。之前方法局限性学习目标1、理解M2Det算法核心2、了解目标检测中,多尺度问题所在3、对以提升目标检测精度有自己的理解研究背景1、存在问题1、红绿灯与人尺度相同,但是特征不同(有复杂、有简单)2、车同一个物体,特征相同、尺寸不同2、前情提要1、SSD:特征原创 2020-08-18 22:16:38 · 657 阅读 · 0 评论 -
CNN基础
1、卷积核2、卷积原创 2020-08-06 16:13:39 · 92 阅读 · 0 评论 -
SSD——单点多尺寸目标检测器
SSD一、目标检测1、基于手工特征的目标检测2、基于深度学习的目标检测二、论文整体框架1⃣️ 摘要1、提出了SSD目标检测算法2、介绍SSD性能2⃣️ 引言3⃣️ SSD网络模型及训练方法4⃣️ 实验结果5⃣️相关工作6⃣️结论三、模型一、目标检测1、基于手工特征的目标检测2、基于深度学习的目标检测1、基于区域提名的目标检测算法(two-stage):RCNN、fast-RCNN、faster-RCNN区域提名,即针对图像中目标物体位置,预先提出候选区域的方法。然后再通过卷积神经网络对候区域原创 2020-05-29 22:32:36 · 508 阅读 · 0 评论 -
YOLOv3
一、 YOLOv2+YOLO9000二、YOLOv3论文内容结构1、Absract三、YOLOv3改进部分1、loss改进(1) 交叉熵:(2) yoloV3的loss:(3) yoloV1的loss2、YOLOv3网络结构四、YOLOv3结果分析...原创 2020-04-16 22:38:26 · 308 阅读 · 0 评论 -
YOLO v1
YOLOv11 、论文内容结构2、yolo的优缺点3、yolo结果分析4、目标检测评价指标1 、论文内容结构假阳性:把物体认为是背景的情况2、yolo的优缺点3、yolo结果分析1、实验一2、与fast-RCNN 对比3、yolo+fasterRCNN4、yolo泛化能力强,学到物体的本质特征4、目标检测评价指标1、mAP(平均准确率):绿色:groundtr...原创 2020-04-13 17:52:40 · 630 阅读 · 0 评论 -
Focal Loss for Dense Object Detection
Introduction1、交叉熵损失函数(CE)2、全卷积网络(FCN) 对输入图片尺寸无要求,无全连接层,只有卷积层(分割问题最后一个卷积核1*1)3、特征金字塔(FPN)a.图像金字塔b.传统方法c .SSD采用的特征金字塔,忽略了其他层特征表达d.FPNFocal Loss(按分类难度增加对难分类样本的关注度)1、Cross Entropy Loss:在单阶段物体检测器...原创 2020-04-09 22:40:02 · 123 阅读 · 0 评论 -
Faster R-CNN
朝着实时目标检测器迈进的区域监测网络ssd(实现了实时检测)是借鉴faster-RCNN :高级特征图上利用anchor选择建议区域,进行分类回归;ssd无全连接,faster-RCNN有全连接。目标检测回顾原始图像(low-level)高级特征(high-level)进行图像分类效果好1、对比RCNN、Faster—RCNN:(1) RCNN:在原始图像提取框,精度低(2) Fas...原创 2020-03-19 11:51:54 · 234 阅读 · 1 评论