![](https://img-blog.csdnimg.cn/20201014180756754.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
DL
文章平均质量分 95
victor-gx
这个人很懒,还没有写简介
展开
-
目标检测算法(YOLOv4)
目标检测算法(yolov4)本文要来介绍很火的目标检测算法YOLOv4,该算法是在原有YOLO目标检测架构的基础上,采用了近些年CNN领域中最优秀的优化策略,从数据处理、主干网络、网络训练、激活函数、损失函数等各个方面都有着不同程度的优化.论文题目:YOLOv4: Optimal Speed and Accuracy of Object Detection主要贡献YOLOv4在YOLOv3上各个部分做改进,在保证速度的同时,大幅提高了模型的检测精度,并降低硬件使用的要求.由上图可以看出:Y原创 2022-02-20 00:23:11 · 5121 阅读 · 0 评论 -
目标检测算法(YOLOv3)
目标检测算法(YOLOv3)YOLOv3在YOLOv2的基础上,改良了网络的主干,利用多尺度特征图进行检测,改进了多个独立的Logistic regression分类器来取代softmax来预测类别分类.论文题目:YOLOv3: An Incremental Improvement主干网络YOLOv3提出了新的主干网络: Darknet-53 ,从第0层到第74层,一共有53层卷积层,其余均为Resnet层.和Darknet-19相比,Darknet-53去除了所有的maxpooling层,增加原创 2022-02-18 23:45:00 · 9092 阅读 · 0 评论 -
目标检测算法(YOLOv2)
目标检测算法(YOLOv2)YOLO在YOLOv1的基础上做了不少的改进,其中在VOC2007数据集上的map由63.4提升到78.6,并且保持检测速度.从预测更准确(Better),速度更快(Faster),识别对象更多(Stronger)这三个方面进行了改进.论文题目:YOLO9000: Better, Faster, StrongerYOLOv2在YOLOv1的改进点使用BN层作者在每层卷积的后面都加入了BN层,不再使用dropout,采用该策略后,mAP提升了2.4%BN层可以提升模原创 2022-02-18 00:32:55 · 649 阅读 · 0 评论 -
目标检测算法(YOLOv1)
目标检测算法(YOLOv1)论文题目:You Only Look Once: Unified, Real-Time Object Detection网络架构YOLOv1的模型架构参考GoogleNet,一共有24个卷积层,2个全连接层,激活函数为Leaky ReLU,最后一次则是采用Linear activation.整体网络架构图如下所示:检测流程YOLO 的整体处理流程如下:将图像resize成448X448,并分割成7X7的网格输入整张图像至CNN model,提取其特征并进行网络原创 2022-02-16 23:36:38 · 1591 阅读 · 0 评论 -
目标检测基础(NMS)
目标检测基础(NMS)什么是非最大值抑制非最大值抑制是一种主要用于目标检测的技术,旨在从一组重叠框中选择最佳边界框。在下图中,非最大值抑制的目的是删除黄色和蓝色框,这样我们只剩下绿色框作为最终的预测结果。计算NMS的步骤为了了解什么是boundingbox,以及IOU的含义,我在前篇发表了关于IOU的文章。前篇文章中描述的术语将在本文中继续介绍。我们首先描述NMS在这个特定示例中的工作过程,然后解释一个更通用的算法,将其扩展到不同的场景下。1、术语定义我们将使用的每个边界框的格式如下:b原创 2022-02-15 23:32:35 · 2485 阅读 · 0 评论 -
目标检测基础(IoU)
目标检测基础(IoU)什么是IOU?IOU(交并比 Intersection over Union)是一个术语,用于描述两个框的重叠程度。重叠区域越大,IOU越大。IOU主要用于与对象检测相关的应用程序中,在该应用程序中,我们训练模型输出一个完全包围目标的外接矩形框。例如,在上图中,我们有一个绿色框和一个蓝色框。绿色框表示真实框,蓝色框表示我们模型的预测框。训练模型的目的是不断改进其预测框的输出,直到蓝色框和绿色框完全重叠,即两个框之间的IOU等于1。IOU经常用于非最大值抑制中,基于检测框的置信原创 2022-02-15 00:03:38 · 688 阅读 · 0 评论 -
深度学习中的各种卷积
深度学习中的各种卷积一、卷积与互相关在信号处理、图像处理和其它工程/科学领域,卷积都是一种使用广泛的技术。在深度学习领域,卷积神经网络(CNN)这种模型架构就得名于这种技术。但是,深度学习领域的卷积本质上是信号/图像处理领域内的互相关(cross-correlation)。这两种操作之间存在细微的差别。无需太过深入细节,我们就能看到这个差别。在信号/图像处理领域,卷积的定义是:(f∗g)(t)=∫−∞∞f(τ)g(t−τ)(f*g)(t)=\int_{-\infty}^{\infty}f(\tau)g原创 2022-02-12 23:45:02 · 3770 阅读 · 0 评论