- 博客(3)
- 收藏
- 关注
RSS订阅原创 DynamicDet: A Unified Dynamic Architecture for Object Detection
(2) 若判别为“困难”图像，则待检测图像及其第一级多尺度特征将被送入第二个主干网络，提取获得第二级多尺度特征，并将第二级多尺度特征送入第二组的脖颈网络和检测器头，输出检测结果。在推理时，自适应路由器将输出待检测图像的难易评分，作者发现可以通过为同一个动态检测器设置不同的难易阈值直接获取一系列的精度与推理速度的权衡，从而满足不同的时延需求。则自适应路由器所输出的将始终趋向于最大值 (即1) ，以通过尽可能多得选择“困难”图像的路线以取得最低损失，然而这显然不符合动态检测器的预期。
2024-12-13 13:50:32
1615
原创 【论文阅读笔记】YOLO9000:Better, Faster, Stronger
为了让网络更好地适应高分辨率的输入，YOLOv2 提出了 高分辨率分类器 的概念：在开始进行检测任务的训练之前，先对分类网络进行微调（fine-tuning），使其在更高分辨率的输入（如 448×448）上进行预训练。之间取得更好的平衡。通过对网络结构、边界框预测、训练方法等多方面的改进，YOLOv2 成为了当时最先进的实时目标检测系统之一，在多种标准数据集（如 PASCAL VOC 和 COCO）上的表现超越了许多其他方法，如 Faster R-CNN 和 SSD，同时显著提高了处理速度。
2024-11-12 23:40:40
1396
1
原创 【论文阅读笔记】You Only Look Once:Unified, Real-Time Object Detection
我们提出了一种新的目标检测方法YOLO。以前在对象检测方面的工作将分类器重新用于每个表单的检测。相反，我们将对象检测框定为空间分离的边界框和相关的类概率的回归问题。一个单一的神经网络预测边界盒和类概率直接从完整的图像在一个评估。由于整个检测管道是一个单一的网络，可以直接对检测性能进行端到端优化。Q1：什么叫做端到端优化?端到端优化（End-to-End Optimization）
2024-11-05 22:52:15
2104
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人