zomnlin的博客

我们提出的YOLO是一种新的目标检测方法。以前的目标检测方法通过重新利用分类器来执行检测。与先前的方案不同，我们将目标检测看作回归问题从空间上定位边界框（bounding box）并预测该框的类别概率。我们使用单个神经网络，在一次评估中直接从完整图像上预测边界框和类别概率。由于整个检测流程仅用一个网络，所以可以直接对检测性能进行端到端的优化。我们的统一架构速度极快。我们的基本 YOLO 模型以45 fps（帧 / 秒）的速度实时处理图像。该网络的一个较小版本——Fast YOLO，以155 fps。

每个网格负责检测其中中心落在该网格内的目标。如果目标的中心在某个网格中，这个网格就负责预测该目标的边界框和类别。每个网格还会预测目标属于各个类别的概率。类别预测的数量与目标检测的类别数相等，通常通过Softmax输出。YOLO（You Only Look Once）是一种高效的目标检测算法，其核心思想是将目标检测视为一个。它直接通过卷积神经网络对整张图像进行处理，将输入图像划分为一个。，直接预测边界框和类别概率，而不依赖传统的区域建议方法。——持续更新，2024.10.16——

cudnn也要对应，下载后解压到相应文件夹，详细看官方文档。cuda 下载链接：https://developer.nvidia.com/cuda-toolkit-archive。cudnn 下载链接：https://developer.nvidia.com/rdp/cudnn-archive。nvidia 下载链接：https://www.nvidia.cn/geforce/drivers/下载链接：https://www.anaconda.com/download/

数学、物理与编程基础（线性代数、微积分、动力学、Python、C++）机器人学基础（运动学、动力学、传感器与执行器）控制理论（经典控制、现代控制、路径规划与控制）机器人操作系统与实际应用（ROS、SLAM、路径跟踪）深度学习与强化学习的应用（视觉、控制、协同机器人系统）实践项目与竞赛通过这一学习路径，你可以从基础知识逐渐深入到机器人控制的各个核心领域，最终具备开发复杂机器人系统的能力。

数学、图像处理和编程基础（线性代数、微积分、图像处理、Python编程）图像处理与特征提取（边缘检测、特征提取、图像变换）机器学习与传统视觉算法（支持向量机、图像分割、对象检测）深度学习与卷积神经网络（CNN基础、迁移学习、深度学习框架）目标检测、语义分割与生成模型（目标检测、语义分割、GAN）强化学习与视觉控制系统（视觉感知、强化学习控制）实际项目与竞赛（实际应用、竞赛参与、开源贡献）

深度学习下的医学图像配准综述