m0_63294504的博客

本文主要介绍了如何对YOLOv9模型进行重新参数化，可以将普通的yolo模型转为yolo-converted模型，在保持精度不变的情况下，加快推理速度、减小模型复杂度。

大雾城市景观Foggy Cityscapes (F)：Foggy Cityscapes是由 Cityscapes 生成的合成数据集，它旨在模拟和研究自动驾驶车辆在雾天条件下的性能，有三个级别的大雾天气(0.005,0.01,0.02)，从轻微的雾到浓厚的雾，分别对应于600,300和150米的能见度范围。由于雾天条件下的能见度降低，图像中的许多目标会变得模糊不清，这对计算机视觉检测来说是一个挑战。Foggy Cityscapes 为研究人员提供了一个测试和改进算法的机会，以提高在恶劣条件下算法的鲁棒和准确性

城市景观Cityscapes(C)：Cityscapes 收集了50个不同城市良好天气条件下的城市街景，总共包含5000张真实城市场景图像；其中3475张带标注信息的图像用于训练验证（2,975张图像用于训练，500张用于验证），剩下1525张无标注信息图像用于测试。Cityscapes数据集是计算机视觉领域常用的数据集，它的高质量标注和丰富场景使其成为评估和训练算法的理想选择。

是指在数据增强（data augmentation）过程中，通过对输入图像或目标进行位置偏移（平移），让目标在图像中呈现出不同的位置。Shift 平移的目的是增加训练数据的多样性，从而提高模型对目标在不同位置上的泛化能力。假设我们有一张 255×255像素的图像，目标位于中心位置。

Shift 平移是指在数据增强（data augmentation）过程中，通过对输入图像或目标进行位置偏移（平移），让目标在图像中呈现出不同的位置。Shift 平移的目的是增加训练数据的多样性，从而提高模型对目标在不同位置上的泛化能力。1.1、平移的定义平移是将目标或图像内容在水平或垂直方向上移动。平移范围（shift range）：定义平移的最大像素数，例如 ±16 像素表示目标可以随机移动 -16 到 +16 像素。1.2、操作步骤以图像为例：输入。

Siamese网络又叫孪生网络，是一种特殊的神经网络架构，由一对（或多对）共享参数的子网络组成，用于学习输入样本之间的相似性或关系。最早在 1994 年由 Bromley 等人提出，最初被用于签名验证任务。目前广泛应用于目标检测跟踪领域中，基本已经作为目标跟踪的backbone了。例如，人脸识别场景中，如果你需要在一个大规模数据库中快速找到与给定人脸最相似的人，Siamese 网络会更高效和灵活。例如人脸验证（是否是同一个人）、签名验证。学习样本之间的相似性度量。如图像检索、推荐系统。

Anchor-based中，如果一个候选框（Anchor）与目标框的重叠程度（IoU，交并比）大于一定阈值，可以被认为是正样本。而如果该检测框被认为是负样本，也就是模型认为该检测框没有框中感兴趣的目标，仅仅是包含了一些背景，那么该框仅仅会进行置信度的预测。对于一个检测框，如果被认为是正样本（有目标），则yi=1，那么等式右边的第二项就为0了，此时变成了。对于一个检测框，如果被认为是负样本（纯背景），则yi=0，那么等式右边的第一项就为0了，此时变成了。，预测置信度越接近大，则Lobj也越大。

域适应（Domain Adaptation, DA）、域泛化（Domain Generalization, DG）和测试时域适应（Test Time Adaptation, TTA）是迁移学习领域中处理分布差异的三个重要概念，它们既有联系也有区别

在目标检测任务中，mAP（mean Average Precision）是一个常用的性能评估指标，用于衡量模型在不同类别和不同IoU（Intersection over Union）阈值下的平均精度。其中mAP50和mAP50-95是mAP的两个特定版本。