豆沙包子的博客

在篇博文中，我们将学习如何使用YOLO对象检测器来检测图像和视频流中的目标，其中用到了深度学习、OpenCV和Python。目标检测，不仅要确定图像中目标类别，而且还要确定给定目标在图像中的驻留位置。首先简单讨论一下YOLO对象检测器，包括目标检测器如何流程：（1）将YOLO对象检测器应用于图像（2）将YOLO应用于视频流。并在后面，讨论一下YOLO对象检测器的一些缺点，包括个人的一些技巧和建议。1、YOLO对象检测器介绍关于深度学习的目标检测，你会遇到三种主要的对象检测器:（1）R-.

激活函数指的是，我们在应用于神经网络中的函数，(通常)应用于在输入特征结合权重和输入特征应用仿射变换操作之后。激活函数是典型的非线性函数。ReLU是过去十年中最流行的一种。激活函数的选择与网络结构有关，而且近年来出现了许多替代方案。1、...

Vision Transformers是应用于视觉任务的Transformers模型。它们来源于ViT的工作，ViT直接将Transformer架构应用于不重叠的中型图像块上进行图像分类。1、Vision Transformer （ViT）Vision Transformer(简称ViT)是一种用于图像分类的模型，它在图像的补丁上采用了类似Transformer的结构进行图像分类任务。输入图像被分割成固定大小的块，然后线性嵌入每个块，添加位置嵌入（Position Embeding），并将得到的向量

多头注意力机制（Mutil-head Attention）：多头注意( Multihead Attention )是注意机制模块。实现：通过一个注意力机制的多次并行运行，将独立的注意力输出串联起来，线性地转化为预期维度。直观看来，多个注意头允许对序列的不同部分进行注意力运算。其中，都是可学习的参数矩阵。注：缩放点积注意力（Scaled dot-product attention)在这个模块中很常用的，同时也可以将其换为其他类型的注意力机制。import numpy...

Focal Loss的作用：主要是为了解决目标检测任务中类别不平衡问题。Focal Loss应用一个调制项到交叉熵损失函数上，以集中学习困难的负面例子。通过使用缩放因子（scaling factor）控制交叉熵损失的动态缩放。缩放因子随着正类别的置信度增加，缩放因子衰减为零。直观看来，该缩放因子可自动降低训练过程中Easy example的权重，并快速将模型集中在难样本（hard example）上。公式表达上，Focal Loss为标准交叉熵标准增加了一个因子。设置降低分类较好的样本损失（

import numpy as npimport mathimport tensorflow as tf#inupt_feature maps if of the form: N, C, H, Wdef np_spatial_pyramid_pooling(input_feature_maps, spatial_pyramid, dtype=np.float32): assert input_feature_maps.ndim == 4 assert spatial_pyrami.

def iou(boxA, boxB): #计算重合部分的上下左右4个边的值，注意最大最小函数的使用 left_max = max(boxA[0], boxB[0]) top_max = max(boxA[1], boxB[1]) right_min = min(boxA[2], boxB[2]) bottom_min = min(boxA[3], boxB[3]) #计算重合部分面积 inter = max(0, (right_min-left_m.

先把字符串转化成数组，再借助数组的reverse方法翻转数组顺序，最后把数组转化成字符串。你的结果必须得是一个字符串。function reverseString(str) { var arr = []; arr = str.split(""); arr.reverse(); str

import randomfrom collections import Counterdef randomNum(): num = random.randint(0,100) return numdef findMost(): num_counters = Counter(num) top_common = num_counters.most_comm