![](https://img-blog.csdnimg.cn/20201014180756918.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
目标检测
文章平均质量分 94
目标检测论文、代码、相关知识学习
菜鸟中的菜中菜
这个作者很懒,什么都没留下…
展开
-
FCOS CVPR2019
FCOS参考1 参考2 参考3Introduction:以逐像素预测的方式解决目标检测问题,类似于语义分割。检测器实现了proposal free和anchor free,显著的减少了设计参数的数目。设计参数通常需要启发式调整,并且设计许多技巧。另外,通过消除锚框,新探测器完全避免了复杂的IOU计算以及训练期间锚框和真实边框之间的匹配,并将总训练内存占用空间减少了2倍左右。FCOS可以作为二阶检测器的区域建议网络(RPN),其性能明显优于基于锚点的RPN算法。FCOS可以经过最小的修改便可扩展原创 2022-03-01 16:33:39 · 2677 阅读 · 0 评论 -
目标检测综述学习笔记
一、目标检测两个分支,two-stage和one-stage算法two-stage算法主要是RCNN系列,,包括RCNN, Fast-RCNN,Faster-RCNN,其中RCNN和Fast-RCNN之间过渡了一个SPPNet。之后在Faster-RCNN框架的基础上,又出现了更好的backbone网络Pyramid Networks。之后的Mask-RCNN融合了Faster-RCNN架构、ResNet和FPN(Feature Pyramid Networks)backbone,以及FCN里的se原创 2021-09-11 19:26:41 · 1035 阅读 · 0 评论 -
目标检测-loss、评价指标
目标检测回归损失函数简介:SmoothL1/IoU/GIoU/DIoU/CIoU LossSmooth L1 Loss,Fast RCNN论文提出该方法目标检测中的评价指标 参考1 参考2 参考3True Positive (TP):将正样本预测为正(真正)True Negative (TN):将负样本预测为负(真负)False Positive (FP):将负样本预测为正(假正)→ 误报 (Type I error)False Negative (FN):将正样本预测为负(假负)→ 漏报 (T原创 2021-10-16 12:40:41 · 2339 阅读 · 2 评论 -
Focal loss学习记录
Focal Loss for Dense Object Detection对于one stage方法来说,detection部分要直接处理大量的候选位置,其中负样本要占据绝大部分,SSD的策略是采用hard mining,从大量的负样本中选出loss最大的topk的负样本以保证正负样本比例为1:3.onestage 不好的原因在于:正负样本比例极度不平衡,负样本绝大部分都是简单样本,构成了大部分的损失,并主导了梯度。什么是“类别不平衡”:一幅正常的图像中需要检测的object不会很多,顶多就那么几原创 2021-11-13 18:11:41 · 2529 阅读 · 0 评论 -
detectron2 学习笔记
一、安装安装pytorch和对应CUDA安装detectron2git clone https://github.com/facebookresearch/detectron2.gitpython -m pip install -e detectron2如果更换pytorch版本,需要删除`rm -rf build/ **/*.so`再重新构建具体安装相关问题点击这里二、项目详细介绍链接三、遇到的问题运行demoTypeError: forward() takes 2 posit原创 2021-09-23 22:09:49 · 1646 阅读 · 0 评论