- 博客(9)
- 收藏
- 关注
原创 最清晰的单链表实现,包括带头结点和不带头结点实现和链表反转
看到网上很多人做单链表是否带头结点的实现比较疑惑,而且很多博客文章都是错误的,刚好最近在刷题,做下笔记,带头结点是一种数据结构常用的设置哨兵位的方法技巧,目的是简化代码实现,在这里就是方便统一单链表在删除和插入时链表只剩一个结点的操作。以下代码对两种单链表做了详细实现,还有世上最简单的单链表反转方法class Node(object): """结点类""" def __init...
2019-12-18 17:45:22 206 2
原创 faster-rcnn, yolov3,ssd之间anchor的异同
目标检测anchorAnchor机制是目前主流的基于深度学习的目标检测算法的重要基石。目前的最先进的检测器都是使用的密集的anchor模式,即在图片上均匀放置好一组定义好形状和大小的anchor。anchor的设计一般有两个要求:1.alignment,为了用卷积特征作为anchor的表示,anchor的中心需要和特征图的像素中心比较好地对齐;2.consistency,不同位置对应的ancho...
2019-12-13 11:11:12 2905 3
原创 目标检测常用的数据增强方法解析
图像的数据增强数据增强的方法主要有:翻转变换 flip随机修剪 random crop色彩抖动 color jittering平移变换 shift尺度变换 scale对比度变换 contrast噪声扰动 noise旋转变换/反射变换 Rotation/reflection 等等训练模型根据所用框架可使用框架内部函数,TensorFlow中有着一个image模块专门用于处理图...
2019-12-17 15:38:11 2125
原创 PASCAL VOC数据集的使用
PASCAL VOC数据集的使用本文以voc2007为例,下载完之后解压,可以在VOCdevkit目录下的VOC2007其中在图像物体识别上着重需要了解的是Annotations、ImageSets和JPEGImages。其中JPEGImages 文件夹中包含了PASCAL VOC所提供的所有的图片信息,包括了训练图片和测试图片。其中Annotations文件夹中存放的是xml格式的...
2019-12-17 15:29:14 2559
原创 COCO数据集的标签整理使用
COCO数据集的标签整理使用网上下载coco2017数据集,对目标检测来说,最主要是annotations, train2017, val2017三个文件夹初次使用需要安装coco API接口,使用如下命令即可安装pip install git+https://github.com/philferriere/cocoapi.git#subdirectory=PythonAPI目标检测训练...
2019-12-13 18:50:10 7643
原创 ASFF:目标检测自适应特征融合方式
ASFF:目标检测自适应特征融合方式Adaptively Spatial Feature Fusion的自适应特征融合方式 在目前的目标检测算法中,为了充分利用高层特征的语义信息和底层特征的细粒度特征,采用最多也是较好的特征融合方式一般是FPN架构方式,但是无论是类似于YOLOv3还是RetinaNet他们多用concatenation或者element-wise这种直接衔接或者相加的方式...
2019-12-13 11:37:19 12809
原创 FPN:目标检测常用的特征提取方法
FPN:目标检测常用的特征提取方法常规的特征提取方法多维度的目标检测一直以来都是通过对输入图像进行不同程度的缩小或扩大来对图像做特征组合,即图像金字塔的方式,例如人脸检测MTCNN网络就是图像金字塔方式输入,这种方法能有效表达出图像上的各种维度特征,对最终检测效果提升很明显,但是对硬件及内存要求较高,同时比较耗时。只用单一维度的图像作为网络输入,在经过多次CNN网络模型提取特征,这种...
2019-12-13 11:33:42 2239
原创 pytorch gather,index_fill函数
pytorch: gather函数,index_fill函数torch.gather(input, dim, index, out=None) → TensorIn [28]: a=torch.arange(0,16).view(4,4)In [29]: aOut[29]:tensor([[ 0, 1, 2, 3], [ 4, 5, 6, 7], ...
2019-12-13 11:28:06 4472 1
原创 目标检测,图像分类中的spp layer
目标检测,图像分类中的spp layer常规CNN中的问题卷积层虽然不要求网络输入图像的大小固定,但是后面的全连接层要求输入图像的大小size是固定的(因为全连接层的输入特征数是固定,网络搭建时的weight权重参数),所以当尺寸大小不同的图像输入到网络中,得到的feature map大小是不同的(根据卷积图像输入输出计算可知)。对一个固定的CNN网络,最后的全连接层的输入时一个固定...
2019-12-13 11:22:11 1490
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