- 博客(6)
- 收藏
- 关注
RSS订阅原创 目标检测中的标签分配策略
label assignment 主要指的是检测器在训练阶段区分正负样本，并给feature map 不同位置匹配合适的监督目标，用于计算损失，进而完成梯度更新，合适的分配策略对于模型来说至关重要，在一定程度上决定了模型的性能。
2023-06-22 14:38:04
1140
1
原创 阅读YOLOX：Making Still Image Object Detectors Great at Video Object Detection
基于此优势，视频目标检测引起了研究者的关注，目前主流的视频目标检测主要依赖于双阶段目标检测的框架，因为此框架能利用RPN网络显示捕获目标大致的特征候选区域(proposals)，基于此特征候选区域，能高效关联前后帧物体的特征区域，进而做到信息的迁移和复用，能较好的使用与各自视觉任务，比如语义分割和视频目标追踪，因此在视频目标检测领域取得了不错的精度。的值，在此基础上执行均值化操作，通过此操作会过滤低置信度值，同时均分余下的值，避免某些高置信度值带偏模型优化方向，限制了特征的多样性。
2023-06-18 17:34:58
229
原创 影子权重的讲解以及应用场景
影子权重可以看作是对模型权重的一种平滑版本，可以减轻模型在训练过程中的震荡和过拟合现象，且可以看成在不改变原始模型梯度更新的过程中，对每一步的更新加入了学习率的delay，使得模型逐步的接近模型的最优解。模型蒸馏是一种知识蒸馏的技术，通过将一个复杂的模型（教师模型）的知识传递给一个简化的模型（学生模型）来提高学生模型的性能。在每次参数更新时，新的权重值会以一定的比例（通常是一个较小的学习率）与旧的影子权重进行加权平均。而在使用影子权重的方法中，除了维护原始的模型权重，还会维护一个与之对应的影子权重。
2023-06-12 10:54:28
171
原创 YOLO系列简要分析
1： YOLO V1分析YOLO V1是YOLO系列的开山之作，提出了不同于faster-rcnn两阶段的模型结构，而是直接采用端到端的one-stage结构。这样设计的好处在于，避免了模型在特征提取框处的时间耗费，加速了模型的推理，这样有利于实时的目标检测。YOLO v1采用的是分而治之的算法，首先将网络经过一系列的特征提取获得一个尺度为7*7大小的网格，每个网格分别预测中心点落在网络的目标。这样设计的话，就不需要额外的在训练处一个RPN网络，专门用于候选框的生成和定位，这无疑减少了模型的计算负担。Y
2023-06-12 10:46:13
49
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人