目标检测
坚硬果壳_
坦然接受自己的平庸并保持努力。
展开
-
YOLO系列详细解读:YOLO V3
YOLOv3没有太多的创新,主要是借鉴一些好的方案融合到YOLO里面。不过效果还是不错的,在保持速度优势的前提下,提升了预测精度,尤其是加强了对小物体的识别能力。yolo_v3对之前的算法既有保留又有改进。先分析一下yolo_v3上保留的东西:“分而治之”,从yolo_v1开始,yolo算法就是通过划分单元格来做检测,只是划分的数量不一样。 采用"leaky ReLU"作为激活函数。 端到端进行训练。一个loss function搞定训练,只需关注输入端和输出端。 从yolo_v2开始,yol转载 2020-08-20 15:08:28 · 4124 阅读 · 1 评论 -
YOLO系列详细解读:YOLO V2/YOLO 9000
目录预测更准确(Better)batch normalization(批归一化)使用高分辨率图像微调分类模型采用先验框(Anchor Boxes)聚类提取先验框尺度约束预测边框的位置passthrough层检测细粒度特征多尺度图像训练高分辨率图像的对象检测速度更快(Faster)YOLO2 输入->输出YOLO2 误差函数识别对象更多(Stronger)/ YOLO9000构建WordTreeWordTree的构建方法。WordTree.转载 2020-08-16 18:08:10 · 1027 阅读 · 0 评论 -
准确率,召回率,mAP(mean average precision)解释
准确率Precision召回率Recall其实这个翻译相当蛋疼。。。recall最合理的翻译应该是 查全率而Precision的最合理的翻译应该是查准率这样就很容易理解了,假设一个班级有10个学生,5男5女你用机器找女生,机器返回了一下结果:| 男 | 女 | 女 | 男 | 女 | 男 |那么查准率为:3/6 = 0.5(返回的6个结果只有3个正确)查全率为: 3/5 = 0.6 (所有女生有5个,但只找到3个)然后就是mAP的解释了,一张图可以说明:在多个类别的检测中,转载 2020-08-16 16:03:40 · 725 阅读 · 0 评论 -
YOLO系列详细解读:YOLO V1
YOLO论文标题: 《You Only Look Once: Unified, Real-Time Object Detection》论文地址:https://arxiv.org/pdf/1506.02640.pdfYOLO v1发表在CVPR2016上,是经典的one-stage检测算法。其最大的特点是运行速度很快,可以用于实时系统,其增强版本GPU中能跑45fps,简化版本155fps。YOLO v1的主要特点是:速度快,能够达到实时的要求。在 Titan X 的 GPU 上 能够达转载 2020-08-15 17:29:36 · 1302 阅读 · 0 评论