![](https://img-blog.csdnimg.cn/20201014180756754.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
目标识别
so_so_y
start to record bugs <- so hard so brave
展开
-
pytorch yolov3
经过漫长的环境配置和调试终于跑通了。参考复现链接:https://github.com/eriklindernoren/PyTorch-YOLOv3 环境配置 主要版本 pytorch 1.3.1 tensorflow-gpu 1.13 python 3.6 本地安装命令 conda install pytorch torchvision cudatoolkit=9.0 python=3.6 t...原创 2019-12-04 15:37:13 · 326 阅读 · 0 评论 -
SSD阅读笔记
模型中添加的结构 用于检测的多尺度feature map 本文中该网络使用的基础模型是VGG-16,将其截断后再最后加入多个conv feature层,这些层逐渐减小,并且可以预测多个尺寸的检测结果。 用来检测的卷积预测器 每个添加的feature层(或者原来基础网络中存在的feature层)可以使用一组conv filter产生一组固定的检测预测。对于一个有p通道的m×nm\times nm×n...原创 2019-10-17 18:10:25 · 190 阅读 · 0 评论 -
YOLOV3阅读笔记
很是独特的一篇论文风格 先主要记录一下做出的改进 Bounding box prediction 和YOLO9000一样,使用尺寸聚类预测bounding box作为anchor box。这个网络为每个bounding box预测四个值(tx,ty,tw,th)(t_x,t_y,t_w,t_h)(tx,ty,tw,th),(cx,cy)(c_x,c_y)(cx,cy)是cell距离图像...原创 2019-10-15 21:48:26 · 233 阅读 · 0 评论 -
YOLOV2 YOLO9000阅读笔记
Better 批量归一化 批量归一化使得收敛性得到明显提升,并且不需要其他形式的正则化。通过在YOLO的所有卷积层中添加批量归一化,使得mAP提升了2%,而且可以帮助规范模型,同时可以不使用dropout也不会过拟合。 高分辨率的分类器 YOLOV2中会先在ImageNet上以448×448448\times 448448×448的分辨率对分类网络微调10个epoch,这给了网络时间来调整filt...原创 2019-10-15 11:02:03 · 246 阅读 · 0 评论 -
YOLOV1阅读笔记
简述 将目标检测作为回归问题 用整张图片作为输入,得到bounding boxes和相关的类别概率 优势 快。base YOLO model实时处理图片45帧/秒;Fast YOLO达到了155帧/秒,并且mAP是其它实时监测器的2倍。 背景类别分类正确率更高 泛化性更强 主要思想 本文将目标识别的组件统一到单个卷积网络中,使用整张图片的特征来预测每个bounding box,并且一张图片...原创 2019-10-11 20:45:40 · 217 阅读 · 0 评论 -
R-FCN阅读笔记
R-FCN的提出 用于目标检测的深度网络可以通过RoI池化层划分成两类子网: 独立于RoI的共享的全卷积子网 不共享计算的ROI-wise子网 由于先进的图像分类网络是由全卷积设计的,通过对比,似乎在目标检测结构中完全使用卷积层构建共享的卷积子网更自然,使得RoI-wise子网没有隐藏层。但是,实践证明这个方法的检测精度非常低。为了解决这个问题,Fast R-CNN检测器在两组卷积层之间插入了...原创 2019-10-10 00:02:23 · 179 阅读 · 0 评论 -
Faster R-CNN阅读笔记
Faster R-CNN = Fast R-CNN + RPN RPN是一个全卷积网络,可以同时预测每个位置的目标边框和目标得分。RPN通过端到端的训练产生高质量的候选区域,由Fast R-CNN使用进行检测。 本文通过共享卷积特征将RPN和Fast R-CNN合并为一个网络——使用 Attention 机制。 RPN(区域候选网络) 该网络与检测网络共享全图像卷积特征,因此实现了几乎无花费的区域...原创 2019-10-07 20:12:01 · 226 阅读 · 0 评论 -
Fast R-CNN阅读笔记
成就 在训练VGG16时比R-CNN 9 faster,测试时间213 faster 在 PASCAL VOC 2012上实现了更高的mAP 相比于SPPnet,在训练VGG16时 3 faster,测试10 faster,并且更准确 Fast R-CNN 提出原因 SPP-net有明显的缺点,其提出的微调算法并不能更新卷积层的参数,这限制了比较深的网络的准确性 Fast R-CNN的优点...原创 2019-10-04 17:33:55 · 148 阅读 · 0 评论 -
SPP-net阅读笔记
成就 相比于深度卷积神经网络,可以不管图像的大小而生成固定长度的表示 对变形的物体也很有效 在准确性相当的前提下,速度比R-CNN更快(24-64× faster overall) 做法 在R-CNN实现思路的基础上,在最后一个卷积层和全连接层之间添加一个SPP层,由SPP层生成固定长度的输出,并将其输入到全连接层中。 SPP的特性 无论输入的大小,SPP都能生成固定长度的输出 SPP使用多...原创 2019-10-01 18:25:50 · 161 阅读 · 0 评论 -
R-CNN阅读笔记
关键见解 将CNN应用于自下而上的候选区域,对目标进行定位和分割 当缺少标签训练数据是,对辅助任务进行有监督的预训练,再对特定领域进行微调,即迁移学习 结果 比先前VOC 2012上的最好的评价指标mAP提升了30%,达到了53.3% 思路 对输入图像提取大概2000个自底向上的候选区域 使用CNN对每个候选区域计算特征向量 根据特征向量,使用具体类别的线性SVM判断每个候选区域属于该...原创 2019-09-28 18:13:52 · 219 阅读 · 0 评论