目标检测与识别
文章平均质量分 75
关于2D和3D的目标检测与识别
昼行plus
学而知菜,菜而后学……
杂而不精,去杂就精……
展开
-
Windows下 CLion中,配置 OpenCV、LibTorch
首先按照步骤配置。原创 2024-06-04 19:23:33 · 764 阅读 · 1 评论 -
Windows下 CLion中,配置 OpenVINO,运行Yolov8
之前我们完成了,下面我们来装OpenVINO。原创 2024-06-06 15:13:56 · 328 阅读 · 0 评论 -
知识蒸馏原理与PVKD论文阅读
通过PVD,属于同一类的特征被拉得更近,而不同类的特征在特征空间中被分开,从而产生一个非常清晰的亲和映射。SuperVoxel的数量一定是一个不小的数目,如果对每一个SuperVoxel都进行亲和蒸馏的损失计算的话,以PVKD的计算方法(本文第1.4部分),再考虑到点云的数量级,恐怕会发生维数灾难!另外,对于问题2,当两模型差异较大的情况下,微小的输入变化可能会使二者的输出有较大的差异。提取按点和体素输出的知识是不够的,因为它只考虑每个元素的知识,不能捕获周围环境的结构信息。原创 2022-11-03 22:14:46 · 1605 阅读 · 2 评论 -
IOU/ GIOU/ DIOU/ CIOU loss
转载自大白老师深入浅出Yolo系列之Yolov3&Yolov4&Yolov5核心基础知识完整讲解由于文章过长,故特意截取,以便查阅:目标检测任务的损失函数一般由Classificition Loss(分类损失函数)和Bounding Box Regeression Loss(回归损失函数)两部分构成。Bounding Box Regeression的Loss近些年的发展过程是:Smooth L1 Loss-> IoU Loss(2016)-> GIoU Loss(2019)转载 2021-07-29 14:35:37 · 3146 阅读 · 0 评论 -
学习笔记 --- 目标检测性能评价指标MAP、FLOPs
通常我们去评价一个模型时,首先看的应该是它的精确度,当你精确度不行的时候,你和别人说我的模型预测的多么多么的快,部署的时候占的内存多么多么的小,都是白搭。但当你模型达到一定的精确度之后,就需要更进一步的评价指标来评价你模型:1)前向传播时所需的计算力,它反应了对硬件如GPU性能要求的高低;2)参数个数,它反应所占内存大小。为什么要加上这两个指标呢?因为这事关你模型算法的落地。比如你要在手机和汽车上部署深度学习模型,对模型大小和计算力就有严格要求。IOU定义与计算https://github.com原创 2021-09-11 16:11:28 · 1440 阅读 · 0 评论 -
yolov5-5.0版本(目前最新)网络结构图
新入坑CV,看到大白老师去年做的图https://blog.csdn.net/nan355655600/article/details/107852353不知道是那个版本的yolov5了,自己在读代码时发现有些许不一样的地方,因此针对yolov5-5.0版本对他的图进行了调整先上原图:然后是我根据yolov5-5.0的代码做了修改:由于是新入坑,难免有理解不当导致谬误的地方,如果各位大佬发现后能告知,定当感激不尽!...原创 2021-07-26 18:46:36 · 28365 阅读 · 25 评论