weixin_44019809的博客

Step1:从github将标准dcgan的源码下载至本地Step2:准备自己的数据集重点：所有图片 格式、尺寸、通道数 完全一致！（图片格式建议.jpg）新建一个 data 文件夹，里面再建一个 train文件夹， 然后把你所有的图片塞进去， 文件夹名字后面会有关联，务必叫 data 和 traine.g 我这里是 3张 96x96的三通道RGB JPG格式的图片然后把你新建的data文件夹，拖到源码的同目录中；Step3:配置环境这里我用的是conda create -n name

Soft-NMS算法（改进的NMS算法）原版的NMS算法，即非极大值抑制，其大致思路：获得得分最高的预选框，然后计算其它预选框与其重叠区域，如果大于某一阈值，则将其舍弃。可能产生的问题：目标的漏检，如下图所示：由于得分最高的那个框已经被选出来了，得分第二高的框与其重叠面积过大，因此通过NMS后被舍弃了，导致第二匹马不能被检测出来，为了解决这个问题，Soft-NMS出现了。Soft-NMS...

SqueezeNet网络学习笔记首先SqueezeNet整体结构大致为：在常规的卷积网络之中，加入几组由Fire模块构成的单元，如图所示：（图片取自知乎：https://zhuanlan.zhihu.com/p/49465950）由上图可以看出这个Fire模块就是SqueezeNet的核心内容了；Fire模块：（图片取自：https://blog.csdn.net/liangjiub...

RPN网络学习在阅读学习了一些其他人关于RPN网络的讲解后，总结自己的理解.如图所示：（1）在进入RPN网络之前，可以先经过数个卷积池化层的运算，然后得到一张特征图，这张特征图即为RPN网络的输入；（2）进入RPN网络后可以对其进行一次卷积操作，得到的还是一张特征图；（3）此时分为两条路线 a 和 ba：对于这张特征图上的每一点都会预测k=9个预选框，而第一条路线，需要用于区分这些框...

Labelme2voc过程中遇到的问题及解决途径跟着诸如：https://blog.csdn.net/qq_31347869/article/details/91180129https://github.com/wkentaro/labelme/tree/v3.11.2进行实践的过程中，在将用labelme标注好的json文件转换成voc格式过程中，遇到了一些奇奇怪怪的问题，进行说明及给出解...