深度学习03-目标检测
文章平均质量分 78
目标检测
aolaf
这个作者很懒,什么都没留下…
展开
-
PINet
采用关键点检测+实例分割的思想,完成对车道线点位置的定位,以及每个检测点属于哪个车道线示例。原创 2023-05-11 13:48:31 · 619 阅读 · 1 评论 -
【目标检测】----损失函数
log的底数为ey表示样本 i 的标签,正类为1,负类为0(注:BCE并不是只能学习0或1的label),使用的是one_hot编码p表示样本 i 预测为正类的概率,是经过sigmoid后的数N 表示样本个数,这里是取了均值的假设x为输入特征,y为标签,当标签为1时,概率为p。那么标签为0时的概率为1-p。利用最大似然估计将其结合:P(y|x)= p(1-p)我们希望的是概率 P(y|x) 越大越好。原创 2023-03-31 23:09:17 · 869 阅读 · 1 评论 -
【目标检测】---- 正负样本匹配策略
无论是anchor box 还是anchor free,在训练计算类别/前背景损失时都需用到正负样本匹配,目前分为两大类:第一类 fixed label assignment,常用的主要有MaxIou、ATSS、focos第二类 dyanmic label assignment,常用的主要有simOTA、TaskAlign。原创 2023-03-29 23:14:31 · 1098 阅读 · 0 评论 -
【目标检测】---- centernet
centernet将keypoints思想和encoder-decoder结构用在了目标检测任务中,核心思想就是检测物体的中心点,一个中心点就对应一个物体。可以看成是yolov1的改进版本。原创 2023-05-10 17:24:20 · 169 阅读 · 0 评论 -
【目标检测】---- YOLOX 旷视2021
YOLOX 以YOLO v3作为baseline主要做了以下改进:①. 输入端的图像增强(Mosaic、Mixup、RandomHorizontalFlip、ColorJitter、多尺度训练)⑤, 训练策略(EMA + 余弦学习率策略)原创 2023-03-26 23:44:04 · 559 阅读 · 0 评论 -
【目标检测】—— YOLO V4
1. YOLO V4算法分析1.1 网络结构图Yolo v4的结构图和Yolo v3相比,多了CSP结构,PAN结构。蓝色框中为网络中常用的几个模块:CBM:Yolo v4网络结构中的最小组件,其由Conv(卷积)+ BN + Mish激活函数组成。CBL:Yolo v4网络结构中的最小组件,其由Conv(卷积)+ BN + Leaky relu激活函数组成。Res unit:残差组件,借鉴ResNet网络中的残差结构,让网络可以构建的更深。CSPX:借鉴CSPNet网络结构,由三个CBM卷积原创 2020-06-29 11:18:16 · 3937 阅读 · 1 评论 -
【目标检测】—— YOLO V3
1. YOLO V3算法分析1.1 网络结构图图最下面的三个蓝色框,代表网络中常用的三个模块:DBL:Yolov3网络结构中的最小组件,其由Conv(卷积)+ BN + Leaky relu组成。Res unit:残差组件,借鉴ResNet网络中的残差结构,让网络可以构建的更深。ResN:n代表数字,有res1,res2, … ,res8等等,表示这个res_block里含有多少个Res_unit。由一个CBL和N个残差组件构成,是Yolov3中的大组件。每个Res模块前面的CBL都起到下采样的作原创 2020-06-22 16:32:08 · 2297 阅读 · 0 评论 -
目标检测(二)------ one stage(YOLO)
1. YOLO1.1 YOLO的核心思想将整张图像作为网络输入,直接在输出层回归bounding box的位置和所属的类别。1.2 YOLO的网络结构YOLO借鉴了GoogleNet,整个网络包括24个卷积层和2个全连接层,其中卷积层用于提取图像特征,全连接层用来预测图像位置和类别。1.3 YOLO 的处理过程1.3.1 YOLO 的输入由于两个全连接层的存在,因而输入图像尺寸须固...原创 2019-08-18 23:06:55 · 2191 阅读 · 1 评论 -
目标检测(一)------Two stage(R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN、R-FCN)
1.基本概念1.1 计算机视觉的几大任务分类-Classification:解决“是什么”?的问题,即找出一张图像中物体的类别。定位-Location:解决“在哪里”?的问题,即定位出目标的位置。检测:解决“是什么”?“在哪里”?的问题,即定位出目标的位置,并确定其类别。分割:分为实例分割(Instance-level)和场景分割(Scene-level),解决每个像素属于哪个目标物或哪...原创 2019-08-16 18:50:21 · 1758 阅读 · 0 评论 -
【目标检测】—— mAP概念
1. 什么是TP、TN、FP、FNTP :True Positives,其指的是被分配为正样本,且分配对了的样本。TN :True Negatives,其指的是被分配为负样本,且分配对了的样本。FP :False Positives,其指的是被分配为正样本,且分配错误的样本。FN :False Negatives,其指的是被分配为负样本,且分配对了的样本。2. 什么是Precision和RecallPrecision:精度公式:含义:分类器认为是正类,且确实是正类的部分占分类器认为是正类原创 2020-06-18 11:42:54 · 2134 阅读 · 0 评论