与君共勉，一起学习

跟踪任务可以看成是分类任务与状态估计任务的结合。分类任务的目的是精确定位目标的位置，而状态估计获得目标的姿态（即目标框）。SiamFC++一文将当前的跟踪器按照不同本文主要记录用Anchor Free的思想来解决上述目标跟踪状态估计中存在的问题。目前比较主流的都是基于FCOS和CenterNet两种无锚框方式展开的。

密集的预测任务，包括语义分割和深度估计等，是视觉理解系统的重要组成部分。密集预测任务需要预测像素级类别标签或回归特定值，这比图像级预测任务更具挑战性。同时保持高分辨率和强语义信息是有效处理密集预测任务的关键。高分辨率可确保最终预测粒度尽可能接近像素级别，并可获得更精确的局部判别，例如更精确的边缘。强大的语义信息确保了整体预测的准确性，特别是对于难以区分或面积较大的实例。深度卷积神经网络，如U-NetDeepLabHRNet，在FCN的设计之后，在密集预测任务中取得了令人兴奋的结果。特别是高分辨率网络（

火灾会对公共安全产生重大影响，每年都会造成大量人员伤亡和财产损失。及时发现火灾可以大大减少人员伤亡和损失。传统的火灾检测方法主要使用烟雾和温度传感器，检测范围和场景有限，响应时间长。随着人工智能和机器学习的发展，基于深度学习的火灾检测得到了广泛的应用。但是，火灾检测场景往往过于复杂多变，在这种情况下，传统火灾检测算法的泛化性和鲁棒性不足，难以部署到低算力平台。针对现有火灾检测的不足，本文提出一种基于 YOLOv5 的轻量级 Light-YOLOv5s 复杂火灾场景检测算法。

针对C3模块，其主要是借助CSPNet提取分流的思想，同时结合残差结构的思想，设计了所谓的C3 Block，这里的CSP主分支梯度模块为BottleNeck模块，也就是所谓的残差模块。同时堆叠的个数由参数n来进行控制，也就是说不同规模的模型，n的值是有变化的。通过C3代码可以看出，对于cv1卷积和cv2卷积的通道数是一致的，而cv3的输入通道数是前者的2倍，因为cv3的输入是由主梯度流分支（BottleNeck分支）依旧次梯度流分支（CBS，cv2分支）cat得到的，因此是2倍的通道数，而输出则是一样的。

这里介绍一下官方给提供的预测方式，我们平时都是在Pycharm中点击“运行”按钮去预测模型，其实还可以通过命令行的方式去预测，预测后的结果会自动保存到路径下；其实在这条指令后面还可以加上一些参数，具体怎么加后面会详细说明。这里说一下path/*.jpg，这个意思就是预测path文件夹下以.jpg结尾的文件。在执行目标检测任务时，算法可能对同一目标有多次检测。NMS是一种让你确保算法只对每个对象得到一个检测框的方法。在正式使用NMSNMS。

本文最大的贡献在于将两阶段结构和重检测用于跟踪，设计了一套适合长时跟踪的算法。两阶段结构在SPM-Tracker已经证明了其对于鲁棒性和判别性之间有较好的平衡；而重检测这类检索的方法同样对于目标变化的适应性更强。整套算法做的非常完善，美中不足在于速度太慢。SiamRCNN很长一段时间都作为各类跟踪数据集的天花板，直到CVPR2021各类transform架构的跟踪算法出现后才被超过。

深度学习经典网络解析目标检测篇（二）：Faster R-CNN1.背景介绍Faster R-CNN论文翻译详情见我的博客：深度学习论文阅读目标检测篇（二）：Fast R-CNN《Fast R-CNN》1.背景介绍  如果说你对深度学习略有了解，那你一定听过大名鼎鼎的ResNet，正所谓ResNet 一出，谁与争锋？现如今2022年，依旧作为各大CV任务的backbone，比如ResNet-50、ResNet-101等。ResNet是2015年的ImageNet大规模视觉识别竞赛（ImageNet L

深度学习经典网络解析（八）：R-CNN1.背景介绍2.目标检测（Object Detection）R-CNN论文详情见我的博客：深度学习论文阅读（七）：R-CNN《Rich feature hierarchies for accurate object detection and semantic segmentation》1.背景介绍  目标检测（Object Detection) 就是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，通俗点说就是给定一张图片要精确的定位到物体所