- 博客(6)
- 收藏
- 关注
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