目标检测
文章平均质量分 72
不会程序的++猫
致力于python,机器学习,人工智能,人机交互
展开
-
yolo V3 原理深度讲解
v3输出三种规格的特征图分别用来检测大中小物体,这里对v2中的融合进行了改进,让分类任务做的更好。对每一规格的特征图来说都会产生三种候选框。但不同规格的特征图并不是通过分别在CNN网络中直接输出获得的,因为那样一开始输出的52x52和中间输出的26x26特征图所提取的特征都不够完全。这里作者是用最后13x13的特征图通过某些方法与前面26x26进行特征融合,从而使得特征提取的更加完善。这里作者采用的是进行上采样的一个方法,使得得到的13x13的特征图经上采样后变成26x26的特征图,然后再与26x...原创 2021-05-20 21:19:43 · 594 阅读 · 0 评论 -
yolo V2 原理深度讲解
改进:yolov2舍弃了dropout(dropout就是在全连接层使用,防止过拟合。)v2开始网络中没有了全连接层,取而代之的是在每一次卷积之后都加一个batch normalization,这种操作类似于归一化处理,让每一层卷积处理后的特征图都保持着均值为0,方差为1,使得收敛起来更加容易。BN的位置在每一层卷积后,relu激活函数前。v2在v1的基础上增加了10次的448x448的训练,让整个模型的鲁棒性更好。关于v2的网络结构,变化比较大。整个网络取消了全连接层,全部由卷积层和池化..原创 2021-05-20 19:34:32 · 815 阅读 · 1 评论 -
YOLO v1 原理深度讲解
首先来看,yolo算法是一个one-stage的算法,即一步直达,所以速度非常快,适合做实时检测。缺点就是没有那么精确。有一个概念MAP:这个指标是为了去衡量综合的检测效果。这里牵扯到另一个概念就是召回率:关于预测结果我们可以分为四类:TP(真阳性) 预测为真的样本中确实为真的数量。FP(假阳性) 预测为真的样本中确实为假的数量。FN(假阴性) 预测为假的样本中确实为真的数量。TN(真阴性) 预测为假的样本中确实为假的数量。举个例子来说明预测某些病人有没有得癌症。假设有100个样本,真原创 2021-05-18 21:25:23 · 602 阅读 · 5 评论