qq_26024067的博客

RFBnet之前学习一直是看优快云和知识，感觉还是很多细节未能很好地了解，于是最近打算开始阅读原文，并记录自己的想法与代码解析。可能有些错别字或者错误结论啥的哈。希望见谅。Abstract当前顶尖的目标检测网络(背景是在2018年)都是基于卷积神经网络作为特征提取网络(backbone),例如resnet-101与Inception，虽然这些特征提取网络有着强大的特征提取能力，但是却需要高昂的计算开销。与之相反，一些轻量化模型可以实现实时检测，但他们的精度却受到诟病。在这篇文章中，作者探索出一

Deformable Convolutional Networks(可变性卷积)原文链接GITHUB大致介绍作者在文章中提出了两个东西，第一个是可变性卷积，这个卷积结构可以根据物体的现状来改变卷积核，从而实现有针对性的卷积采样。第二个是可变性的ROI的池化层，这个也是利用改变采样形状的思想来完成的。本文的重点是可变性卷积，因为它的适用范围更为广阔。可变性卷积首先需要把握一个东西的概念，才能更好地把握重点。可变性卷积中的可变性指的是卷积核的采样位置是可变性。就好比空洞卷积与普通卷积相比实在每个

pytorch目标检测通用教程（包含目标检测基础知识汇总以及SSD的介绍）之前写了很多分类网络，一直没时间写个目标检测的教程。（因为懒惰）如果你也正在研究目标检测，可以直接套用这套代码，直接使用或者说是换成自己需要的网络。最近正好复习一下之前写过的代码，就写一个通用的目标检测教程之后如果需要更换训练的模型只需要替换其中的部分模块就可以了PS：复习真的很重要，我最近常常复习之前写过的代码，收获颇丰通过这个教程我们可以学会目标检测的代码的编写与SSD的基本知识，开箱即用，也可以根据自身的需求更换其中