- 博客(11)
- 收藏
- 关注
RSS订阅原创 xftp免费版下载安装教程
Xftp轻松传送文件Xftp 7支持主机之间的拖放，因此您可以轻松地可视化文件/文件夹的移动。您可以检查传输窗口，以查看所有传输的进度，并查看您的队列中有什么。根据需要暂停和恢复文件传输。Xftp安全和高效在不断变化的网络环境中，采取必要的预防措施来保护您的数据是很重要的。Xshell 7支持RSA/DSA/ECDSA/ED25516公钥，密码和键盘交互，GSSAPI，和PKCS#11身份验证。使用不断更新的加密算法列表加密您的流量，并使用Xshell的主密码特性在云中安全存储会话文件。
2024-08-04 16:07:57
242
原创 2019object detection:TridentNet,SABL,RPDet,RetinaMask,CornerNet-Squeeze,CornerNet-Saccade
TridentNet:Scale-Aware Trident Networks for Object Detection（三分支网络）论文贡献：1 首次提出感受野（receptive field）对目标检测任务中不同scale大小物体的影响，并进行相关实验验证；2 提出了适应于多尺度的目标检测框TridentNet；3 使用参数共享的方法，提出训练的3个branch，测试时只是用一个branch，这样保证推断时不会有额外的参数和计算量的增加。处理多尺度问题的方法1 图像金字塔，传统的检测算法
2024-08-02 17:32:32
775
原创 一文读懂DeepLabV3+
Deeplabv3+引言创新点网络结构特征提取层1 ASPP（atrous spatial pyramid pooling）2 Encoder-decoder3 Depthwise separable convolution总结引言如上图所示，目前DCNN在语义分割的应用主要有两种结构：（a）SPP通过多种感受野池化不同分辨率的特征来挖掘上下文信息；（b）Encoder-decoder逐步重构空间信息来更好的捕捉物体的边缘；本文提出：（c）在encoder-decoder结构上采用SPP模型。
2021-10-28 17:14:53
958
原创 CenterNet: Keypoint Triplets for Object Detection（中心网络：目标检测的三个关键点）
CenterNet: Keypoint Triplets for Object Detection（中心网络：目标检测的三个关键点）摘要triplets（三点），而非关键点：中心点，两个角点cascade corner pooling（级联角点池化）center pooling（中心点池化）1 目的anchor free存在缺点：1往往需要大量锚点从而确保与GT目标有较高的IOU；2框的尺寸和比例需要手动设计；3锚点框往往不与实际框对其，这不利于Bbox做分类任务；CornerNet 优点：以
2021-10-21 10:12:48
397
原创 EfficientDet:Scalable and Efficient Object Detection)
EfficientDet:Scalable and Efficient Object Detection文章解读1 背景介绍2 创新点算法思路网络结构head：从特征获取预测结果文章解读Google最新提出的目标检测算法，提出BIFPN和EfficientDet，通过改进FPN中多尺度特征融合的结构和借鉴EfficientNet模型缩放方法，提出了一种模型可缩放且高效的目标检测算法EfficientDet。1 背景介绍目前目标检测的方法分为one-stage，two-stage两种，但是个人感觉不断
2021-10-21 10:12:16
362
原创 DCNv1 and DCNv2：Deformable Convolutional networks,可变形卷积
论文阅读：DCNv1 and DCNv2：Deformable Convolutional networks,可变形卷积DCNv1论文解析创新点1 背景2 方法DCN v21 背景2 方法DCNv1论文解析创新点1、Deformable Conv2、Deformable ROI pooling1 背景深度学习对图像处理往往需要大量的数据集训练，是因为我们需要让网络学习到所有可能存在的情况，所以我们采用了数据增强的方法，如旋转，左右移，上下移，裁剪等操作；但是针对图像目标尺度，姿态，角度，局部的
2021-10-21 10:07:29
1518
原创 Cascade R-CNN：Delving into High Quality Object Detection）
Cascade R-CNN：Delving into High Quality Object Detection）文章解读：1 创新点2 网络示意图算法思路1 backbone2 neck3 head4 总结文章解读：1 创新点cascade R-CNN算法是CVPR2018的文章，通过级联几个检测网络达到不断优化预测结果的目的，与普通的级联不同的是，cascade RCNN的几个检测网络是基于不同IOU阈值确定的正负样本上训练得到的；文章基于上述出发点：（a）中u=0.5也是常用的正负样本界
2021-10-19 17:25:53
771
翻译 HTC：Hybrid Task Cascade for Instance Segmentation
HTC：Hybrid Task Cascade for Instance Segmentation创新点：在本篇论文中设计了多任务多阶段的混合级联结构，并且融合了一个语义分割的分支来增强spatial context；关键思想是：通过在每个阶段结合级联和多任务来改善信息流，并利用空间背景来进一步提高准确性。具体展开：设计了一个渐进式细化的级联管道，在每个阶段边界框回归和掩码预测都以多任务方式组合。此外，在不同阶段的掩码分支之间引入直接连接-每个阶段的掩码特征被嵌入并送到下一个阶段总结：1多任务多阶
2021-10-19 16:27:58
390
原创 FCOS: Fully Convolutional One-Stage Object Detection
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入欢迎使用Markdown编辑器你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar
2021-10-19 15:20:31
104
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