IT荻的博客

YOLOv3的配置文件，其中需要注意的是数据增强的方式，有两个，一个是角度旋转+饱和度+曝光量+色调，外加jitter，随即调整宽高比的范围。之后需要注意的就是3个尺度的box的mask。后续要知道他们是怎么整合起来的[net]# Testing# batch=1# subdivisions=1# Trainingbatch=64 #训练样本样本数subdivisions=16...

YOLO 是 2016 年提出来的目标检测算法，在当时比较优秀的目标检测算法有 R-CNN、Fast R-CNN 等等，但 YOLO 算法还是让人感到很新奇与兴奋。YOLO 是 You only look once 几个单词的缩写，大意是你看一次就可以预测了，灵感就来自于我们人类自己，因为人看一张图片时，扫一眼就可以得知这张图片不同类型目标的位置。1.创新YOLO将物体检测作为回归问题求解。...

项目课题当中有使用到Kalman滤波的算法思想，这里总结一下这个神奇算法的过程。什么是卡尔曼滤波？对于这个滤波器，我们几乎可以下这么一个定论：只要是存在不确定信息的动态系统，卡尔曼滤波就可以对系统下一步要做什么做出有根据的推测。即便有噪声信息干扰，卡尔曼滤波通常也能很好的弄清楚究竟发生了什么，找出现象间不易察觉的相关性。因此卡尔曼滤波非常适合不断变化的系统，它的优点还有内存占用较小（只需保留...

发现Ubuntu系统在拷贝很大的文件，或者清空回收站的时候，很容易发生文件管理卡死，就是整个文件系统界面给黑掉了。1 这里第一种情况是可以操作别的浏览器或者IDE，唯独不能操作文件系统。解决方案： 使用如下ps -A |grep nautilus #查看是哪个文件管理出了问题然后继续killall nautilus #把那个文件管理进程杀死即可2 如果连其他的都不能使用了（系统直...

转自https://blog.csdn.net/lzhf1122/article/details/72935323基础知识：假设空间中两点x，y，定义：欧几里得距离，Mahalanobis距离，不难发现，如果去掉马氏距离中的协方差矩阵，就退化为欧氏距离。那么我们就需要探究这个多出来的因子究竟有什么含义。例子：如果我们以厘米为单位来测量人的身高，以克（g）为单位测量人的体重。每个人被表...

1 摘要DeepSort是在Sort目标追踪基础上的改进。引入了在行人重识别数据集上离线训练的深度学习模型，在实时目标追踪过程中，提取目标的表观特征进行最近邻匹配，可以改善有遮挡情况下的目标追踪效果。同时，也减少了目标ID跳变的问题。2 核心思想算法的核心思想还是用一个传统的单假设追踪方法，方法使用了递归的卡尔曼滤波和逐帧的数据关联。2.1 轨迹处理和状态估计该部分的思路和sort很接近...

之前的两篇YOLO的发展历史YOLOv1 https://blog.csdn.net/u010712012/article/details/85116365YOLOv2 https://blog.csdn.net/u010712012/article/details/852747112018年又出现了YOLOv3，相比于SSD，FasterRCNN，RetinaNet，速度都是更快的，作者很...

一、全部代码如下：代码部分tf函数见下面第二部分。yolo2的预测过程大致分为以下3部分。1、model_darknet19.py：yolo2网络模型——darknet19。YOLOv2采用了一个新的基础模型（特征提取器），称为Darknet-19，包括19个卷积层和5个maxpooling层，如下图。Darknet-19与VGG16模型设计原则是一致的，主要采用33卷积，采用22的max...

在深度学习出现之前，传统的目标检测方法大概分为区域选择（滑窗）、特征提取（SIFT、HOG等）、分类器（SVM、Adaboost等）三个部分，其主要问题有两方面：一方面滑窗选择策略没有针对性、时间复杂度高，窗口冗余；另一方面手工设计的特征鲁棒性较差。自深度学习出现之后，目标检测取得了巨大的突破，最瞩目的两个方向有：1 以RCNN为代表的基于Region Proposal的深度学习目标检测算法（R...