目标检测学习笔记

最新推荐文章于 2024-09-26 17:12:37 发布
最新推荐文章于 2024-09-26 17:12:37 发布
阅读量180 收藏 3
点赞数 8
文章标签： 目标检测 学习 笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/wyn20001128/article/details/141158581
版权

（1）目标检测算法的分类

在这里插入图片描述
one-stage的方法在于速度快但是准确度低一些，适合用于实时监测，two-stage低一些

（2）一些指标

①准确率和召回率：前者是准，后者是全
在这里插入图片描述在这里插入图片描述
Precision可以理解为该类中所有检测样本中正确分类占所有抽样的样本（方框总数）百分比，越高证明准确率越高（框地越准）
Recall可以理解为该类全部样本里面被检测出来的百分比，越高证明检测出来的东西越完全。（框地越全）

②MAP
在目标检测的时候我们会设定一个阈值，所有准确率低于这个阈值的方框都会会被过滤掉，那么每一个阈值都可以把精度和召回率全部计算出来
在这里插入图片描述
计算完一个类别地所有阈值的准确率和召回率以后就可以画一张曲线图，AP值就是曲线围成的面积，MAP就是所有类别AP的平均值（最好的情况就是不论召回率怎么样准确度都是1，所以AP值最好的情况就是1）
在这里插入图片描述

wyn20001128
关注
小目标检测学习笔记
jacke121的专栏
06-17 3598
比如眼睛，学到了特征以后，就记下来， 下次遇到别的特征，不是，在遇到别的，不是，不是..... 这个过程，其实计算比较简单，逻辑判断很多。 比如10*10的图像，在特征上，可能只有3*3了。筛选范围也应该很小，在网络上的前几层就应该检测。 大目标，需要各种小特征组合，关系运算，所以计算比较复杂。 ssd改一改是否能行？ 参考资料：https://blog.csdn.n...
3D目标检测学习笔记
DreamerWF的博客
01-07 2705
​博主初学3D目标检测，此前没有相关学习背景，小白一枚～现阶段的学习重点是点云相关的3D检测。 本文是阅读文章：3D Object Detection for Autonomous Driving: A Review and New Outlooks 后的学习笔记和总结。其中还包含经典论文VoxelNet、Second、PointPillar、CenterPoint、PV-RCNN的学习笔记。希望能为大家带来一些帮助，也期待各位同学来交流～
目标检测学习笔记（自用）
m0_64735594的博客
03-10 2977
目标检测是在图片中对可变数量的目标进行查找和分类 传统目标检测算法 Viola-Jones（人脸检测） Haar特征抽取 训练人脸分类器（Adaboost算法等） 滑动窗口 HOG+SVM（行人检测，Opencv实现） 提取HOG特征 训练SVM分类器 ...
基于3D点云的小目标检测学习笔记
sinounuo的博客
03-16 2856
3D点云检测学习笔记（仅为内容整理，有些东西比较省略，我放了原作者连接）
目标检测学习笔记——小目标检测
phily123的博客
08-03 934
YOLOV5 的小目标检测网络结构优化方法汇总(附代码)
深度学习——目标检测学习笔记
Kint的博客
03-02 3032
深度学习之目标检测学习笔记
目标检测学习笔记——评价指标
phily123的博客
11-15 1980
目标检测01：常用评价指标（AP、AP50、AP@50:5:95、mAP）
目标检测学习笔记——IOU的作用
phily123的博客
11-07 3078
一、训练时： 通过iou阈值来确认bbox是正负样本，大于某个阈值的认识是正样本，小于某个阈值的认为是负样本，两个阈值中间的抛弃，因为负样本很多，所以通常选取较小的阈值来确定负样本。 二、评估时： 1、计算MAP MAP是所有类别AP的均值，AP由精确率和召回率确定，而IoU 阈值、confidence 阈值影响 precision 和 recall 的计算。 为了计算 precision、recall，我们不得不去判定 True Positives (TP)、False Positives (FP)、Tr
目标检测学习笔记——CV与模型融合
phily123的博客
03-28 3119
How To CV and How To Ensemble OOF Files 一、怎么做交叉验证 将完整的数据集划分成N份（如五份，称为Fold1, Fold2, Fold3, Fold4, Fold5),然后我们训练出五个模型，比如用2-5的fold做训练，fold1做预测验证，一次进行五次训练验证。 这样我们就对所有的训练集进行过一次预测，这个预测结果称之为OOF(out of fold),CV的分数就是用所有的训练集以及预测的结果来计算得到 OOF_AUC = roc_auc_score( trai
完整版深度神经网络及目标检测学习笔记.docx
07-13
【深度神经网络与目标检测学习笔记】 深度神经网络（Deep Neural Network, DNN）是现代计算机视觉技术的核心，尤其在目标检测任务中扮演着至关重要的角色。这些网络模仿人脑神经元的工作方式，通过大量的训练数据...
目标检测的学习笔记.pdf
10-25
学习目标检测的相关笔记，相互学习指正哦！
Spring Boot 学习和使用
cesske的博客
09-24 1126
Spring Boot是一款开源的Java Web应用框架，旨在简化Spring应用的初始搭建以及开发过程。Spring Boot通过整合Spring技术栈中的诸多关键组件，为开发者提供了一种快速、简便的Spring应用开发方式。它遵循“约定优于配置”的原则，通过自动配置、起步依赖和内置的Servlet容器，极大地简化了传统Spring应用的配置和部署过程。Spring Boot通过其自动化配置、起步依赖、内嵌服务器等特性，极大地简化了Spring应用的开发和部署过程。
大模型输入参数学习
AI智能，无处不在
09-25 544
top_p和top_k：用于控制生成文本的多样性和连贯性。较小的值会使生成的文本更连贯但缺乏多样性，较大的值会使生成的文本更随机和多样。：用于控制生成文本的随机性。较高的值增加随机性，较低的值增加确定性。：用于控制生成文本的长度。
Nexus学习
howwickhappy的博客
09-24 990
Nexus 是一个开源的仓库管理器，用于管理和分发软件构建的组件。
Linux入门学习：进程概念
Lvision2的博客
09-24 1077
在课本的概念中，进程程序的一个执行实例，正在执行的程序。其内核观点：担当分配系统资源（CPU时间，内存）的实体。但这些概念太笼统，并不能让我们更加清晰的知道进程是什么，实际上，进程是内核数据结构(pcb) + 程序的代码与数据。pcb(process control block)进程控制块，进程信息被放在一个叫pcb的数据结构中，可以理解为进程属性的集合。在Linux入门学习：深刻理解计算机硬件与OS体系中，我们已经了解到。
H.264学习笔记
最新发布
zfenggo的博客
09-26 743
H.264凭借其出色的压缩效率、灵活的编码方式以及高质量的视频表现，成为了现代视频技术的核心标准之一。它不仅减少了存储需求，还提高了流媒体和实时视频传输的可行性。对于从高清到超高清视频，H.264的编码能力仍然广泛适用。H.264的帧结构设计（I帧、P帧和B帧）极大地提高了视频编码的压缩效率。I帧保存完整的图像信息，P帧通过参考之前的帧减少冗余数据，而B帧则通过双向参考提供进一步的压缩优势。这种帧间的协同工作大幅降低了带宽需求和存储成本，同时保持了视频的高质量。NALU头。
2024-2025华为ICT大赛报名｜赛前辅导｜学习资料
qq2859066538的博客
09-25 283
华为ICT大赛是华为公司打造的面向全球高校的年度ICT赛事，大赛以“联接、荣耀、未来”为主题，协同政府、高等教育机构、培训机构和行业企业，促进高校ICT人才培养、成长和就业，助力ICT人才生态繁荣。华为ICT大赛2023-2024实践赛涵盖网络、云、计算（第九届华为ICT大赛更名为基础软件）和昇腾AI四个赛道。为有效帮助参赛者把握命题思路、突破重点内容、检验学习效果、提高实战经验，更充分地备战大赛，华为首次推出华为ICT大赛2023-2024实践赛真题实战系列课程，为您铺就通往大赛的成功之路。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值