![](https://img-blog.csdnimg.cn/20201014180756926.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
PyTorch
yang_jianfeng
这个作者很懒,什么都没留下…
展开
-
PyTorch实战(一)
深度学习与pytorch人工智能(artificial intelligence,AI)机器学习(machine learning)深度学习(deep learning)一、机器学习在人工智能领域,机器学习 是实现人工智能的一个分支,也是人工智能领域发展最快的一个分支。简单地说,机器学习是计算机程序如何随着经验的积累而自动提高性能,使系统自我完善的过程。机器学习在近30多年已发展成为一门多领域交叉的学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等,而且其应用范围非常广泛,包含自然语言处理原创 2021-03-03 22:50:07 · 307 阅读 · 1 评论 -
PyTorch物体检测(十)
物体检测的未来发展物体检测的发展始终围绕着精度和速度这两个指标,新提出的算法要么在检测的精度上有了新的突破,要么大幅度提升了检测的速度。然而,在当前的物体检测大框架下,精度与速度往往不可兼得,精度的提升往往伴随着计算量的增加。速度的提升往往会有精度的牺牲。4种常见的算法需求场景:1.速度需求:自动驾驶等场景下,通常需要对图像处理达到非常低的时延才能保证足够的安全,这时检测器需要达到实时性;而在机械臂自动分拣等系统中,速度并不是第一考虑因素;2.召回率:在交通流量统计系统中,首先需要保障的指标是车辆原创 2020-07-12 23:40:44 · 448 阅读 · 0 评论 -
PyTorch物体检测(九)
物体检测难点传统卷积神经网络通常采用从上到下的单行结构。对于大物体而言,其语义信息将出现在较深的特征图中;而对于小物体,其语义信息出现在较浅的特征图中,随着网络的加深,其细节信息可能会完全消失。因此,对于传统的检测算法,大尺度物体与小尺度物体的问题始终没能得到较好的平衡。多尺度检测也是当今物体检测领域最为活跃的研究主题之一。...原创 2020-07-12 23:30:19 · 510 阅读 · 0 评论 -
PyTorch物体检测(八)
非极大值抑制:NMS首先是最为基本的NMS方法,利用得分高的边框抑制的得分低且重叠程度高的边框。然而基本的NMS存在一些缺陷,简单地过滤掉得分低且重叠度高的边框会导致漏检等问题。针对此问题陆续产生了一系列改进的方法,如Soft NMS、Softer NMS及IoU-Net等。物体检测网络通常在最后增加一个非极大值抑制操作,即NMS,将重复冗余的预测去掉。非极大值抑制,顾名思义就是抑制不是极大值的边框,这里的抑制通常是直接去掉冗余的边框。这个过程涉及以下两个量化指标:1.预测得分:NMS假设一个边框的原创 2020-06-27 22:03:18 · 252 阅读 · 0 评论 -
PyTorch物体检测(七)
模型加速之轻量化网络实现模型加速的方法:1.轻量化设计:从模型设计时就采用一些轻量化的思想,例如采用深度可分离卷积、分组卷积等轻量化卷积方式,减少卷积过程的计算量。此外,利用全局池化来取代全连接层,利用1*1卷积实现特征的通道降维,也可以降低模型的计算量,这两点在众多网络中已经得到了应用;2.BN层合并:在训练检测模型时,BN层可以有效加速收敛,并在一定程度上防止模型的过拟合,但在前向测试时,BN层的存在也增加了多余的计算量。由于测试时BN层的参数已经固定,因此可以在测试时将BN层的计算合并到卷积层,原创 2020-06-27 20:47:29 · 391 阅读 · 0 评论 -
PyTorch物体检测(六)
YOLO v1算法利用回归的思想,使用一阶网络直接完成了分类与位置定位两个任务,速度极快。随后出现的YOLO v2与v3在检测精度与速度上有了进一步的提升,加速了物体检测在工业界的应用,开辟了物体检测算法的另一片天地。相比于Faster RCNN的两阶结构,2015年诞生的YOLO v1创造性的使用一阶结构完成了物体检测任务,直接预测物体的类别与位置没有RPN网络,也没有类似于Anchor的预选框,因此速度很快。...原创 2020-06-27 19:37:22 · 357 阅读 · 0 评论 -
PyTorch物体检测(五)
SSD(Single Shot Multibox Detecor)算法借鉴了Faster RCNN与YOLO的思想,在一阶网络的基础上使用了固定框进行区域生成,并利用了多层的特征信息,在速度与检测精度上都有了一定的提升。SSD算法的算法流程,输入图像首先经过了VGGNet的基础网络,在此之上又增加了几个卷积层,然后利用3*3的卷积核在6个大小与深度不同的特征层上进行预测,得到预选框的分类与回归预测值,最后直接预测出结果,或者求得网络损失。SSD的算法思想,主要可以分为四个方面:数据增强:SSD在数据部原创 2020-06-27 19:30:10 · 381 阅读 · 0 评论 -
PyTorch物体检测(四)
RCNN全称Regions with CNN Features,是将深度学习应用到物体检测领域的经典之作,并凭借卷积网络出色的特征提取能力,大幅度提升了物体检测的效果。而随后基于RCNN的Fast RCNN及Faster RCNN将物体检测问题进一步优化,在实现方式、速度、精度上均有了大幅度提升。物体检测领域出现的新成果很大一部分也是基于RCNN系列的思想,尤其是Faster RCNN,并且在解决小物体、拥挤等较难任务时,RCNN系列仍然具有较强的优势。因此,想要学习物体检测,RCNN系列是第一个需要全面原创 2020-06-17 21:28:39 · 226 阅读 · 0 评论 -
PyTorch物体检测(三)
当前的物体检测算法虽然各不相同,但第一步通常是利用卷积神经网络处理输入图像,生成深层的特征图,然后再利用各种算法完成区域生成与损失计算,这部分卷积神经网络是整个检测算法的“骨架”,也被称为Backbone。Backbone是物体检测技术的基础,其中也涌现出了多种经典的结构。...原创 2020-06-14 23:11:07 · 372 阅读 · 0 评论 -
PyTorch物体检测(二)PyTorch基础
Tensor原创 2020-06-03 22:58:57 · 366 阅读 · 0 评论 -
PyTorch物体检测(一)PyTorch
本篇为概述部分机器学习是人工智能(Artificial Intelligence)发展较为快速的一支。机器学习的思想是让机器自动的从大量的数据中学习出规律,并利用该规律对未知的数据做出预测。在机器学习算法中,深度学习是特指利用深度神经网络的结构完成训练和预测的算法。根据人工智能实现的水平,可以进一步分为三种人工智能:弱人工智能(Artificial Narrow Intelligence,ANI):擅长某个特定任务的智能。当前的人工智能大多是弱人工智能;强人工智能:在人工智能概念诞生之初,人们期望原创 2020-06-02 22:02:18 · 2412 阅读 · 0 评论