m0_60341379的博客

语义分割实例

1.Darknet-53 模型结构在论文中虽然有给网络的图，但我还是简单说一下。这个网络主要是由一系列的1x1和3x3的卷积层组成（每个卷积层后都会跟一个BN层和一个LeakyReLU)层，作者说因为网络中有53个convolutional layers，所以叫做Darknet-53（2 + 1*2 + 1 + 2*2 + 1 + 8*2 + 1 + 8*2 + 1 + 4*2 + 1 = 53 按照顺序数，最后的Connected是全连接层也算卷积层，一共53个）。下图就是Darknet-53的结构图，

总结 | 一文读懂 R-CNN，Fast R-CNN，Faster R-CNN 发展史 - 知乎 (zhihu.com)https://zhuanlan.zhihu.com/p/138577896

就像上面的图片一样，定位一个车辆，最后算法就找出了一堆的方框，我们需要判别哪些矩形框是没用的。非极大值抑制的方法是：先假设有6个矩形框，根据分类器的类别分类概率做排序，假设从小到大属于车辆的概率 分别为A、B、C、D、E、F。(1)从最大概率矩形框F开始，分别判断A~E与F的重叠度IOU是否大于某个设定的阈值; (2)假设B、D与F的重叠度超过阈值，那么就扔掉B、D；并标记第一个矩形框F，是我们保留下来的。 (3)从剩下的矩形框A、C、E中，选择概率最大的E，然后判断E与A、C的...

KMeans是数据挖掘十大算法之一，在数据挖掘实践中，我们也常常将KMeans运用于各种场景，因为它原理简单、易于实现、适合多种数据挖掘情景。如上图所示，数据样本用圆点表示，每个簇的中心点用叉叉表示：(a)刚开始时是原始数据，杂乱无章，没有label，看起来都一样，都是绿色的。(b)假设数据集可以分为两类，令K=2，随机在坐标上选两个点，作为两个类的中心点。(c-f)演示了聚类的两种迭代。先划分，把每个数据样本划分到最近的中心点那一簇；划分完后，更新每个簇的中心，即把该簇的...

IoU值属于[0,1] 越接近于1表明预测值越接近于真实值，预测效果越好；在目标检测任务中，我们时常会让模型一次性生成大量的候选框(candidate bbox)，然后再根据每一个框的置信度对框进行排序，进而依次计算框与框之间的IoU，然后进行NMS非极大值抑制删除多余的检测框。例如在做人脸检测时，模型的预测结果可能是左图，经过NMS后最终得到的是右图。通过IoU来评判两个图像的重合度具有以下几点优点： 1. 具有尺度不变性；2. 满足非负性；3. 满足对称性；但与此同时，I...

候选区域/框 + 深度学习分类：通过提取候选区域，并对相应区域进行以深度学习方法为主的分类的方案，如：R-CNN（Selective Search + CNN + SVM）SPP-net（ROI Pooling）Fast R-CNN（Selective Search + CNN + ROI）Faster R-CNN（RPN + CNN + ROI）...

详述目标检测最常用的三个模型：Faster R-CNN、SSD和YOLO_三颗心123的博客-优快云博客_目标检测模型

一文看懂YOLO v5_litt1e的博客-优快云博客_yolov5

一文看懂YOLO v4_litt1e的博客-优快云博客

YOLO-从零开始入门目标检测 - 知乎 (zhihu.com)https://www.zhihu.com/column/c_1364967262269693952

yolov3&yolov4&yolov5比较_程序猿的视界-优快云博客https://blog.youkuaiyun.com/m0_37264397/article/details/113351110

Fast-RCNN是在SPP-net的基础上，将SPP->ROI Pooling,是SPP的一个特例，只使用了6×6的池化核。分类器由SVM->Softmax，神经网络可以和分类器一起训练。

你一定从未看过如此通俗易懂的YOLO系列(从v1到v5)模型解读 (上) - 知乎 (zhihu.com)https://zhuanlan.zhihu.com/p/183261974你一定从未看过如此通俗易懂的YOLO系列(从v1到v5)模型解读 (中) - 知乎 (zhihu.com)https://zhuanlan.zhihu.com/p/183781646你一定从未看过如此通俗易懂的YOLO系列(从v1到v5)模型解读 (下) - 知乎 (zhihu.com)https://zhuanlan.zhih

原理：Mosaic数据增强方式简单来说就是把4张图片，通过随机缩放、随机裁减、随机排布的方式进行拼接。根据论文的说法，优点是丰富了检测物体的背景和小目标，并且在计算Batch Normalization的时候一次会计算四张图片的数据，使得mini-batch大小不需要很大，一个GPU就可以达到比较好的效果。优点丰富数据集：随机使用4张图片，随机缩放，再随机分布进行拼接，大大丰富了检测数据集，特别是随机缩放增加了很多小目标，让网络的鲁棒性更好减少GPU：直接计算4张图片的数据，使得Mini-ba..