计算机视觉
文章平均质量分 90
Jasmine0224
自学python、机器学习、深度学习
展开
-
目标检测M2Det论文总结
前言Feature pyramids已经被各种目标检测器使用,不管是one-stage还是two-stage类型。浅层的feature map有利于检测小目标,深层的feature map有利于检测大目标,所以SSD采用了特征金字塔网络,检测结果要优于YOLOv1。但只是简单地利用从backbone抽出来的Feature maps有很多的局限性,因为这些网络是为了图像分类而设计,而不是检测任务。总体来说,高阶特征包含更多的语义信息,对分类子任务的判别能力更强,低阶特征包含更多位置信息,对回归任务的判别能原创 2021-09-02 17:40:32 · 256 阅读 · 0 评论 -
YOLO2论文的理解
YOLO2论文阅读的总结概述YOLO致力于实时、快速、高精度的端到端模型,YOLO1的速度很快,但是相对于Faster RCNN而言,准确率较低,在错误分析中发现,YOLO1的召回率和localization的错误占比更高。YOLO2是在YOLO1的基础上进行改进,在保证分类准确率的基础上提高召回率和localization,得到一个速度快,准确率高的端到端模型。因为检测任务标注数据匮乏,类别也只有几十到几百种,而分类数据集庞大并且拥有几万到几十万的分类,除此之外,检测任务的标注代价太高,所以作者采原创 2021-08-12 20:24:36 · 349 阅读 · 0 评论