xinxin的博客

椒盐噪声会影响图像的视觉质量和信息可读性，因此在图像处理中需要采取相应的去噪方法来恢复图像的清晰度和准确性。这些方法通过在图像中的像素周围计算滤波器内像素的统计数据来平滑图像，从而减少噪声的影响。椒盐噪声是一种常见的图像噪声类型，它会在图像中随机地添加黑色（椒）和白色（盐）的像素点，使图像的质量降低。这种噪声模拟了在图像传感器中可能遇到的问题，例如损坏的像素或传输过程中的干扰。最后，我们通过调用这个函数来生成带有椒盐噪声的图像，并使用。左图为原图，右图为加入椒盐噪声后的图像。显示原始图像和带有噪声的图像。

神经网络已经使得在计算机视觉任务如目标检测方面实现了令人难以置信的成果。然而，这样的成功在很大程度上依赖于昂贵的计算资源，这使得拥有廉价设备的人们无法享受到这一先进技术的好处。在本文中，我们提出了交叉阶段部分网络（CSPNet），以从网络架构的角度缓解之前的工作需要进行大量推断计算的问题。我们将问题归因于网络优化中的重复梯度信息。所提出的网络通过在网络阶段的开始和结束集成特征图来注重梯度的变化。

3. **路径聚合模块：** PANet引入了路径聚合模块来有效地融合不同尺度的特征信息。2. **自顶向下的信息传递：** PANet引入了自顶向下的信息传递路径，通过上采样或插值操作将高层特征传递到低层，以提高低层特征的分辨率和语义信息。值得注意的是，PANet 的设计结构提供了一种通用的多尺度信息聚合方法，可用于各种基于CNN的目标检测模型，并在许多竞赛和实际应用中取得了良好的效果。1. **多尺度特征提取：** PANet采用了自底向上的特征提取路径，从底层到高层逐步提取多尺度的特征表示。

的方式，没有上采样过程，即从网络不同层抽取不同尺度的特征做预测，这种方式不会增加额外的计算量，但是不同的层次的特征图有巨大的语义差距，高分辨率的特征图只有低级特征，损害了表示能力，不利于目标识别。作者认为SSD算法中没有用到足够低层的特征（在SSD中，最低层的特征是VGG网络的conv4_3），而在作者看来足够低层的特征对于检测小物体是很有帮助的。这些特征信息的提取是通过卷积操作和池化操作等方式来实现的。在自顶向下的过程中，最初的输入是来自网络的高层特征，这些特征通常具有较高的语义信息和较低的分辨率。

经过以上步骤后，我们在官方下载的 yolov5-5.0 代码中的 train.py 文件中指定代码处进行修改，如下所示，将data/coco128.yaml修改成mydata.yaml（我们在第1步创建的文件）即可。有两行代表有两个类别，0表示第一个类别，1表示第二个类别 ，我们刚刚设置第一个类别是狗，第二个类别是人，第三个类别是汽车。train后面是训练集的路径，val后面是验证集的路径 ，mydata/images/train中的train文件夹存放的是我们刚刚下载好的五张图片。