![](https://img-blog.csdnimg.cn/20201014180756919.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
目标检测
文章平均质量分 95
目标检测中一些常见模型的基本原理介绍和代码
热血厨师长
个人学习记录
展开
-
狗都能看懂的CenterNet讲解及代码复现
狗都能看懂的CenterNet讲解及代码复现原创 2022-06-23 09:38:47 · 9055 阅读 · 14 评论 -
YOLOv3详解:从零开始搭建YOLOv3网络
因为YOLO系列有不同版本,分为v1,v2,v3,v4四个版本,从论文上分析需要从头开始,本文从实战入手,分析YOLOv3的原理。代码地址:https://github.com/Runist/YOLOv31、YOLOv3网络结构骨干网络(backbone)——特征提取YOLOv2的backbone采用的是DarkNet19 ,而YOLOv3采用的是DarkNet53。DarkNet53中无池化层,全连接层,特征图的缩小是通过增加卷积核的步长实现的。DarkNet53的每一个卷积部分使用了特有原创 2021-02-15 14:31:02 · 13142 阅读 · 1 评论 -
DropBlock: 卷积层的正则化方法及复现代码
论文:https://arxiv.org/pdf/1810.12890.pdf1、什么是Dropout?我相信各位一定了解过Dropout,所谓Dropout就是提高神经网络泛化性一种方法,可以有效减轻过拟合。为什么它有效呢?从下图分析:一个标准的神经网络如图(a)所示,由于训练数据(假设为人脸数据)的局限性,使得神经网络很依赖于某一个神经元,而其他神经元相当于没有起作用,网络每次都只通过眼睛来判断是不是个人。如果此时直接拿一个全新的测试数据集让这个网络进行识别,很可能因为图片中眼睛被遮挡而得出错误原创 2021-02-09 12:27:13 · 2912 阅读 · 2 评论 -
目标检测中的IoU、GIoU、DIoU与CIoU
什么是IOU?简单来说IOU就是用来度量目标检测中预测框与真实框的重叠程度。在图像分类中,有一个明确的指标准确率来衡量模型分类模型的好坏。其公式为:acc=PtrueNN=全部样本的数量,Ptrue=预测正确的样本数量acc = \frac{P_{true}}{N} {\quad}{\quad}{\quad}{\quad}{\quad}{\quad}{\quad}N=全部样本的数量,P_{true}=预测正确的样本数量acc=NPtrueN=全部样本的数量,Ptrue=预测正确的样本数量这个原创 2020-12-14 10:55:32 · 33504 阅读 · 9 评论 -
目标检测中的先验框(Anchor)
什么是先验框?了解过目标检测算法的朋友们肯定知道先验框(Anchor)的概念,那么什么是先验框,为什么要有先验框?若要解释这个问题,首先我们需要了解边界框回归原理。bounding box regression如图所示,图中的狗子是我们要检测的目标,也即是红框(Ground Truth)圈住的物体。在通常情况下模型预测到的框是绿色框。但是由于绿色框不准,相当于没有正确的检测出狗子。所以我们希望有一个方法对绿色框进行调整,使得绿色框更接近红色框。对于预测框我们一般使用(x,y,w,h)(x,y,w,原创 2020-12-10 12:11:45 · 18427 阅读 · 24 评论 -
Faster RCNN原理及复现代码
原理Faster RCNN主要可以分为四个内容:Conv layers。作为一种CNN网络目标检测方法,Faster RCNN首先使用一组基础的conv+relu+pooling层提取image的feature maps。该feature maps被共享用于后续RPN层和全连接层。Region Proposal Networks。RPN网络用于生成区域建议框。该层通过softmax判断anchors属于前景或者背景,再利用预测框回归修正anchors获得精确的建议框。Roi Pooling。该层原创 2020-12-09 11:23:14 · 2974 阅读 · 5 评论