Alexer__的博客

数据，是深度学习领域中的最重要的“粮食”，尤其是在当下的“大模型”时代，庞大的数据量几乎可以让我忽略掉所有模型层面上的trick，只要数据够大，简单的Transformer也可以表现出惊人的“智力”。在项目代码中，我们在dataset/script文件中提供了用于下载VOC数据集的脚本，读者只需要遵循下方的命令即可进行下载，下载好的数据集默认在dataset/script/data文件下，读者会看到一个名为“VOCdevkit” 的文件夹，建议读者将其转移到其他位置。而言，常用的数据集包括。

卷积神经网络—图像特征提取（SPP/FPN）_spp和fpn-优快云博客

当前主流的基于Anchor的检测算法中，对于二阶的算法，第一阶段RPN会对Anchor进行有效的筛选，生成更有效、精准的Proposal，送入第二个阶段，最终得到预测的边框。，例如Fast RCNN使用随机搜索（Selective Search）的方法提取感兴趣区域，虽然共享了卷积，但耗时严重，正是Faster RCNN引入了Anchor作为先验框，才将实时的物体检测变为可能，达到了检测的第一个高峰，其中Anchor可以说是居功至伟。此外，人的先验知识也很难应付数据的长尾问题，这显然不是我们乐意见到的。

深度学习论文中的专业术语（backbone、head、bottleneck、Embedding、Warm up、end to end等）_深度学习 专业 词汇-优快云博客

输入任意大小的图像到卷积神经网络。通过多层卷积层提取特征，生成特征图。确定图像中的感兴趣区域（ROIs），并将其映射到特征图上。SPP层对每个ROI在多尺度下进行池化，生成固定长度的特征向量。将这些特征向量送入全连接层，并通过分类和回归层生成最终的检测结果。通过这一系列步骤，SPP-net能够有效处理不同大小的输入图像和ROIs，同时避免重复计算，提高检测速度和效率。那对比sppnet方法，传统卷积为了生成固定特征向量多了那些步骤呢。