![](https://img-blog.csdnimg.cn/20190927151132530.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
激光点精准检测
含yolo1234、ssd、rnn、传统算法等
Womeng_qin
这个作者很懒,什么都没留下…
展开
-
VGG的亮点:Dilated Convolution
概述在赢得其中一届ImageNet比赛里VGG网络的文章中,他最大的贡献并不是VGG网络本身,而是他对于卷积叠加的一个巧妙观察。这里意思是 7 x 7 的卷积层的正则等效于 3 个 3 x 3 的卷积层的叠加。而这样的设计不仅可以大幅度的减少参数,其本身带有正则性质的 convolution map 能够更容易学一个 generlisable, expressive feature space。这也是现在绝大部分基于卷积的深层网络都在用小卷积核的原因Dilated Convolution产生的原因D原创 2020-05-31 21:01:07 · 259 阅读 · 0 评论 -
YOLO第二部----YOLO2
YOLO2的改进观念better、faster、stronger改进方面Bath Nomalization数据规范化,防止梯度消失和梯度爆炸,提升模型收敛速度,而且可以起到一定正则化效果,降低模型的过拟合,YOlLOv2中,在每个卷积后面都添加了Bathch Normalization层,并且不再使用droput,mAP提升了2.4%Mu...原创 2020-05-17 20:55:41 · 253 阅读 · 0 评论 -
目标检测之主干网络----CNN进化之路
首先是一系列的CNN的进化历程剖析:LeNet、AlexNet、VGGNet、InceptionNet 与 ResNet各层参数的含义由于权值共享,连接数便不等于参数量(全连接没有权值共享,所以相等)神经元的数量:输出维度是多少,神经元就有多少连接数量:全连接:输入层神经元数量*输出层神经元数量(每个连接包含两个参数:权重和偏置)CNN局部连接:(卷积核在输入层划过的神经元个数+1) * (卷积层输出的神经元个数) (卷积层输出的每个元都是之前输入的一个区域卷积得来的,所以每个元都连原创 2020-05-16 11:50:11 · 1394 阅读 · 0 评论 -
YOLO的第一步----YOLO1
这是继RCNN,fast-RCNN ,faster-RCNN,SSD之后,又一新型方法YOLOYOLO1的出现解决了基于DL的目标检测中一个大痛点------速度问题。参数每个bounding box要预测(x, y, w, h)和confidence共5个值,每个网格还要预测一个类别信息,记为C类。则SxS个网格,每个网格要预测B个bounding box还要预测C个categories。输出就是S x S x (5*B+C)的一个tensorx、y是相对于格子左上角的偏移量confidenc原创 2020-05-15 17:48:31 · 294 阅读 · 0 评论