Guo_Python的博客

一. 论文介绍标题：https://arxiv.org/pdf/1604.03540.pdf论文：https://arxiv.org/pdf/1604.03540.pdf虽然该论文是几年前的文章了，但任然值得读，该思想可以用到其他视觉任务中。二. 核心思想核心思想：论文提出了一种困难负样本挖掘的方法。困难负样本是指AI模型难以区分的负样本。在模型不断训练的过程中，模型通常会对正样本有着比较高的confidence，但少不了对某些负样本也留有余芥，给了一个不那么接近0的confidence。而困难负

当我们训练完目标检测模型后，需要对模型进行评价，评价检测模型用得最多的指标是mAP。本文带你如何计算目标检测中的评价指标：mAP、漏检率、误检率。

由于在项目中和比赛中经常用到mmdetection，在此总结一些mmdetection的小技巧，有利于涨点。

自从Yolo v4论文发表以后，新的数据增强方式mosaic备受关注。本文实现该数据增强方式：先看看train.txt中的文件格式 img_path x1,y1,x2,y2,cls/home/gp/dukto/Xray_match/data/train/JPEGImages/300059.jpg 91,263,219,324,2/home/gp/dukto/Xray_match/data/train/JPEGImages/200408.jpg 274,99,358,139,1/home/gp/

NMS是目标检测的基础，原理比较简单，不在这里赘述，直接上代码：import numpy as npimport matplotlib.pyplot as plt def py_cpu_nms(dets, thresh): x1 = dets[:,0] y1 = dets[:,1] x2 = dets[:,2] y2 = dets[:,3] areas = (y2-y1+1) * (x2-x1+1) scores = dets[:,4]

IoU 作为目标检测算法性能 mAP 计算的一个非常重要的函数，IoU 计算的是 “预测的边框” 和 “真实的边框” 的交集和并集的比值。