目标检测YOLO实战应用案例100讲-基于特征融合和预测细化的遥感图像目标检测（中）

目录

2.1.3 全连接层 

2.1.4 激活函数 

 2.1.4.1 Sigmoid函数 

2.1.4.2 Tanh函数 

2.1.4.3 Re LU函数 

2.2 特征融合与残差网络 

2.2.1 特征融合 

2.2.2 残差网络 

2.3 有锚和无锚检测方法 

2.4 评价指标 

2.4.1 交并比与非极大值抑制

2.4.2 精准率与召回率 

2.4.3 平均精度和平均精度均值 

3 基于特征融合和多维注意力的有锚遥感目标检测方法 

3.1 引言 

3.2 特征融合与多维注意力网络 

3.2.1 基于Inception模块的特征融合网络 

3.2.2 多维注意力网络 

3.2.3 旋转候选区域网络 

3.2.4 中点偏移旋转框 

3.2.5 旋转感兴趣区域对齐 

3.2.6 损失函数 

3.3 实验与分析 

3.3.1 数据集 

3.3.2 实验环境和参数设置 

3.3.3 实验结果与分析  

4 基于特征增强和预测细化的无锚遥感目标检测方法 

4.1 引言 

知识拓展

目标检测中特征融合技术（YOLO v4）

特征融合分类

 自下而上的路径增强

适应性特征池化（adaptive feature pooling）

全连接融合层（Fully-Connected Fusion）

ASFF：自适应特征融合方式

BiFPN

---

---

 本文篇幅较长，分为上中下三篇，文中索引详见

基于特征融合和预测细化的遥感图像目标检测

基于特征融合和预测细化的遥感图像目标检测（中）