![](https://img-blog.csdnimg.cn/20201014180756724.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
计算机视觉
Sakura_djiaxin
永远年轻,永远热泪盈眶。
展开
-
mmyolo训练记录
IndexError:list index out of range.原创 2023-03-20 09:28:24 · 374 阅读 · 0 评论 -
MMdetection报错不在同一个设备上
MMdetection reppionts方法训练报错。原创 2023-02-28 11:29:10 · 707 阅读 · 0 评论 -
目标检测----评价指标
评价检测算法的标准:是否正确的预测了框内的物体类别预测框和人工标注框的重合程度量化标准为mAP(mean Average Precision)和IOU(Intersection Over Union)mAP:平均精度均值。 mAP是把每一个类别的AP都单独提出来,然后计算所有类别AP的均值,代表着对检测到目标平均精度的一个综合评价。IOU用来衡量预测的物体框和真实框的重合程度;评价一个算法的时候,一种常见的方法就是设定一个IOU阈值,只要算法找到的框的IOU大于这个阈值,就是一个有效的检测原创 2022-05-31 15:35:13 · 174 阅读 · 0 评论 -
transformer学习(一)
代码来源:https://zhuanlan.zhihu.com/p/411311520from base64 import encodefrom turtle import forwardfrom cv2 import dnn_Modelfrom importlib_metadata import requiresimport torchimport torch.nn as nn import numpy as np import mathclass Config(object):转载 2022-05-07 20:40:40 · 105 阅读 · 0 评论 -
论文阅读---LR-TSDet: Towards Tiny Ship Detection in Low-Resolution Remote Sensing Images
这里实验部分就不展示了原创 2022-04-22 10:34:12 · 353 阅读 · 0 评论 -
EGNet: Edge Guidance Network for Salient Object Detection
论文主要解决的问题:全卷积神经网络(FCNs)在突出的目标检测任务中显示出了其优势。然而,大多数现有的基于fcns的方法仍然存在粗糙的对象边界。与基于区域的方法相比,像素级显著目标检测方法具有优势。然而,他们忽略了图像中的空间相干性,导致显著的物体边界不满意。大多数方法都希望通过融合多尺度信息来解决这一问题。一些方法使用后处理,如CRF来细化突出的对象边界。在NLDF中,他们提出了一个IOU损失来影响边缘周围位置的梯度。它们都不注意显著边缘检测和显著目标检测之间的互补性。一个良好的显著边缘检测结果可以帮.翻译 2022-03-20 17:01:19 · 989 阅读 · 0 评论 -
yolo目标检测
yolo对目标检测的最大优势就是快,比FastR-CNN要快,但是准确度不高,尤其是对小目标和多个小目标放在一起的时候,由于网络设置固定数量的bouding box,所以对于多个小目标检测性能不高,yolov1之后不断改进,到目前为止的yolox,性能得到了很大的提升,和yolov1相比,增加了许多的trick,网络结构也发生了改进,yolov1的思想是将一副图像分成S*S个网格,如果其中一个object的中心落在这个网格中,那么这个网格就负责预测这个object。每个网格要预测B个bouding box,原创 2021-08-04 16:44:09 · 1418 阅读 · 0 评论