- 博客(10)
- 资源 (3)
- 收藏
- 关注
RSS订阅
1原创 Deeplabv3plus语义分割（模型搭建、训练、改进）
DeepLabv3+采用编码器-解码器（Encoder-Decoder）结构，通过编码器提取图像特征，再通过解码器将特征映射回原始图像尺寸，实现像素级的分类。DeepLabv3+通过结合空洞卷积、ASPP模块和解码器，显著提升了语义分割的精度和效率，是当前语义分割领域的主流模型之一。解码器通过上采样和卷积操作，将ASPP模块输出的特征与低级特征结合，从而生成更精确的分割结果。：ASPP模块通过不同膨胀率的卷积核，提取多尺度特征，适应不同大小的物体。：结合低级特征和高级特征，保留物体边界细节，提高分割精度。
2025-04-08 16:03:27
119
原创 【注意力机制篇】
注意力机制是一种通过动态调整模型对输入特征的关注程度来提升检测性能的技术。它最初在自然语言处理领域取得成功后，逐渐被引入到计算机视觉领域，并在目标检测任务中展现出显著的效果。
2025-04-08 12:30:23
17
原创 YOLOv10【损失函数篇】
YOLOv10 是 YOLO 系列的最新版本，继承了 YOLO 系列的核心思想：将目标检测任务视为一个单一的回归问题，直接从图像像素到边界框坐标和类别标签进行预测。这种端到端的检测方式使得 YOLO 模型在速度和精度之间取得了良好的平衡。YOLOv10 在 YOLOv8 和 YOLOv9 的基础上进行了多方面的改进，包括网络架构的优化、损失函数的改进、数据增强策略的增强等，使其在各种基准数据集上均表现出卓越的性能。
2025-04-08 12:06:57
25
原创 统计数据集各个类别大中小目标数量（COCO数据集定义）
1.详细统计数据集各个类别大中小目标数量（目标尺寸按照COCO数据集定义）；2.图像尺寸根据数据集中图像大小实时调整；3.只需要修改图像路径和标签路径，即可运行。
2025-04-07 15:17:35
57
原创 TPH-YOLOv5：基于Transformer检测头改进YOLOv5的无人机目标检测
TPH-YOLOv5：基于Transformer检测头改进YOLOv5的无人机目标检测
2021-10-29 11:42:53
2452
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人