yTorch物体检测实战
文章平均质量分 76
艾1
这个作者很懒,什么都没留下…
展开
-
深度学习之PyTorch物体检测实战,读书笔记(三)
对于通道数不同的情况,比如每个卷积组的第一个Bottleneck,需要利用1×1卷积对x进行Downsample操作,将通道数变为相同,再进行加操作。a.定义一个名为my_func的函数,my_func函数接收两个int类型参数n和x,找出在1到n里的所有能被x整除的整数,用一个list数组列出这些整数,并让my_func函数返回这个数组以及这个数组的长度。出现的问题:卷积网络不断加深以寻求更优越的性能,然而随着网络的加深,网络却越发难以训练,一方面会产生梯度消失现象;.b.搭建BottleNeck。原创 2023-02-23 19:15:25 · 354 阅读 · 0 评论 -
深度学习之PyTorch物体检测实战,读书笔记(二)
2.定义一个名为my_func的函数,my_func函数接收三个int类型参数year、month和day分别作为给定日期的年份、月份和日期,导入datetime模块的datetime类,让my_func函数返回对应日期的正午时间点。nception v1的参数量是AlexNet的12分之一, VGGNet的六分之一,适合处理大规模数据,尤其是对于计算资源有限的平台.最重要的是,两个3×3卷积核的非线性能力要比5×5卷积核强,因为其拥有两个激活函数,可大大提高卷积网络的学习能力。列表的下标从0开始。原创 2023-02-16 20:17:22 · 287 阅读 · 0 评论 -
深度学习之PyTorch物体检测实战,读书笔记(一)
3.对于不同的检测任务,卷积层的前两三层的作用都是相同的,都是提取图像的边缘信息,因此为了提高模型训练中的稳定性,前两三层一般不进行参数的学习,比如VGG,设置前三层不进行网络的学习,代码实现:4.,得到建议框,保证足够的准召率,然后在第二个阶段专注于对建议框进行分类,寻找更精确的位置,典型算法如Faster RCNN。3.对于一个检测器的好坏,我们需要用一个IOU也就是预测框和真实框的贴合程度来预测,来量化这个检测器的好坏,即正确预测框与所有预测框的比值(包括正确和错误的预测框);原创 2023-02-13 17:42:24 · 499 阅读 · 0 评论