m0_46339652的博客

目录引语一、训练配置二、Decoupled Head三、数据增强：Mosaic和Mix-up四、Anchor-free五、Multi positives六、Multi positives七、OTA(Optimal Transport Assignment)八、参考文献引语YOLOX 的设计，在大方向上主要遵循以下几个原则：所有组件全平台可部署避免过拟合 COCO，在保持超参规整的前提下，适度调参不做或少做稳定涨 点但缺乏新意的工作（更大模型，更多的数据）所以大家可以看到，首发的 YO

目录一、领域现状二、YOLOv3: An Incremental Improvemet一、YOLOv3基本思想基于v2的改进1、类别预测：单标签分类改进为多标签分类2、采用多个scale融合的方式做预测二、网络结构改进1、backbone：Darknet-532、Darknet-53与其他网络性能对比3、网络细节4、网络输出三.损失函数四、训练策略1、Bounding Box Prediction五.实验结果六.论文总结1、YOLO(v3)的优点2、YOLO(v3)的缺陷七.参考文献一、领域现状目标检测

目录一、YOLOv1的弊端二、在YOLOv1基础上的改进(better)1、Batch Normalization2、High Resolution Classifier3、Convolutional With Anchor Boxes4、Dimension Clusters5、Direct Location prediction6、Fine-Grained Features(细粒度特征)7、Multi-Scale Training三、在YOLOv1上的改进(faster)1、网络结构2、Training

目录一.领域现状二.YOLOv1思想1.Detection转化为Regression二.网络结构三.损失函数四.训练策略五.实验结果六.论文总结1..YOLO(v1)的优点2..YOLO(v1)的缺陷3.后续工作进展七.参考文献一.领域现状目标检测长期发展以来two-stage算法(RCNN系列)占据地位，直至YOLO和SSD等one-stage算法的出现。从R-CNN到Faster R-CNN一直采用的思路是proposal+分类 （proposal 提供位置信息， 分类提供类别信息）精度已经很高，