weixin_44116169的博客

原创 草稿本

https://zhuanlan.zhihu.com/p/162720047

原创 2021-01-09

https://drive.google.com/open?id=0BzKzrI_SkD1_WVVTSmQxU0dVRzA

原创 【学习笔记5】⭐Polar Mask

Polar Mask前言一 实例分割的建模方法二 特点二 网络结构二 Polar Segmentation 建模Polar centernessPolar IoU Loss参考说在最后 前言 之前的笔记1-Fast-RCNN、笔记2-FCN、笔记3-Mask R-CNN、笔记4-FCOS其实都是为这一篇做的基础准备。如果需要，可以点击进行阅读。 一 实例分割的建模方法 简单来说，实力分割的方法可以分为像素级的建模和轮廓建模。下图中b就是像素级的分割，典型例子有Mask-Rcnn。而c、d则是轮廓建模。其中

原创 【学习笔记4】⭐FCOS(Fully Convolutional One-Stage )一阶全卷积目标检测

FCOS前言一 逐像素回归预测二 多尺度策略2.1 图示2.2 具体步骤三 center-ness说在最后 前言 FCOS是一种不依赖预定义的锚框，因此完全避免了预先定义锚框的复杂计算。重点是检测到中心点和中心点到框的四个距离。 一 逐像素回归预测 由于，FCOS为了提升召回率，则对目标物体框中的所有点都进行了边界框的预测。 导致，最终预测得到的边界框质量不高。 FCOS提出的预测策略如下： 由于执行回归的都是正样本（就是l* t* r* b*都是大于0的）所以使用exp函数，将目标进行拉伸，可以使得最

原创 【学习笔记3】⭐Mask R-CNN

Mask R-CNN前言一、学习笔记说在最后 前言 Mask R-CNN就是在原始的Faster-RCNN的基础上加了FCN来产生对应的Mask分支。关于前两个我都写过学习的笔记，可以点击进去进行参考哈。 这一部分在理解前两个部分后，思路比较清晰简单，故直接贴上学习的笔记。 一、学习笔记 说在最后 本文是在学习后，希望通过输出加深理解的文章，参考了很多地方，自己总结和梳理了一下，有错误烦请指正。 ...

原创 【学习笔记2】⭐FCN的理解

FCN：Fully Convolutional Networks for Semantic Segmentation一、使用原因二、具体过程三、知识补充其他几种升采样方式（upsamping）说在最后 语义分割 全卷积网络 一、使用原因 我们分类使用的网络通常会在最后连接几层全连接层，它会将原来二维的矩阵（图片）压扁成一维的，从而丢失了空间信息，最后训练输出一个标量，这就是我们的分类标签。 而图像语义分割的输出需要是个分割图，且不论尺寸大小，但是至少是二维的。所以，我们需要丢弃全连接层，换上全卷积层，而这

原创 【学习笔记1】⭐Faster-RCNN

Fast-rcnn学习笔记一、概述1.1 背景1.2 结构二、细节理解2.1 Conv layers功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 一、概述 1.1 背景 Fast-rcnn将传统的Selective Search

原创 使用cv人脸检测时遇到的问题及解决方法