神经网络
文章平均质量分 92
深度学习 pytorch
小尼ndq
炼丹师 C
展开
-
Yolov4 相关学习
Yolo 学习了一些总结普通的目标检测器,分为下面几部分:1 主干:VGG16, ResNet, DarkNet53 等深度网络主干,用于提取feature map(特征图)2 头部: 分为一阶目标检测器 (Yolo, SSD, RetinaNet)二阶目标检测器 (R-CNN, fast R-CNN, faster R-CNN)用于最终输出,即预测类别,目标框(bounding box)3 颈部:(顾名思义)位于主干、头部之间。特征增强 , 特征提取、整合、加工。如不同尺度的featu原创 2020-08-19 17:06:06 · 198 阅读 · 0 评论 -
深度神经网络(训练集,验证集,测试集), 提升模型效果,交叉验证
随笔神经网络训练不是loss越小,效果越好,所以要将数据集分成:训练集,验证集,测试集其实 训练集,验证集 都是有 输入(input)及标签(label)的,所以都可以拿来训练,即前向传播–>求损失–>反向传播。但验证集存在的意义就是“验证”,验证集不需要反向传播计算(即训练),验证集是用来验证训练集得到的模型的输出效果(准确率,得分等),某些情况带入验证集求损失,通过得到‘最小’损失,来得到最优模型。因为验证集不会影响、修改网络模型,可以说验证集是验证网络模型的泛化效果测试集是原创 2020-07-17 10:35:40 · 1988 阅读 · 0 评论 -
关于Yet-Another-EfficientDet-Pytorch 的输出,loss分析
链接: https://github.com/zylo117/Yet-Another-EfficientDet-Pytorch.features, regressions, classifications, anchors = model(imgs)第一个输出features,代入第二,三,四个输出相关的函数中,相当于第二阶网络,得到第二,三,四个输出regressions= self.regressor(features)classifications= self.classifer(feat原创 2020-07-07 13:54:21 · 854 阅读 · 0 评论 -
关于FPN(特征金字塔网络)层间融合的理解
主要是FPN层间融合的个人理解Feature Pyramid Networks for Object Detection论文链接: https://arxiv.org/abs/1612.03144.盗图如下链接: https://blog.csdn.net/WZZ18191171661/article/details/79494534.1.图像特征金字塔简述最早的图像特征金字塔 来源于 SIFT(尺度不变,特征变换) 然后 HOG(方向梯度直方图),模仿人看东西远近不同的大小尺度,同时不同尺度,特原创 2020-06-09 15:59:25 · 3750 阅读 · 1 评论 -
Pytorch版 yolov3 (ultralytics) loss计算变换流程
Pytorch版 yolov3 (ultralytics),关于loss(box,obj,class)转换流程已全部理清。链接: https://github.com/ultralytics/yolov3.一. 输出各维度含义已yolov3-tiny(2尺度)举例(以下数组全为尺寸大小,不是数值)生成 pi [4,3,16,16,7] / pi [4,3,32,32,7] 输出(网络输出),‘4’: batch_size‘3’ : 3个anchor‘16’/’32’: [512,512]图像缩原创 2020-06-07 23:04:49 · 1956 阅读 · 6 评论