以梦为马，不日抵达。

cycle_gan

我们提出了一个概念上简单、灵活且通用的少镜头学习框架，其中分类器必须学习识别每个只给出少量示例的新类。我们的方法称为关系网络(RN)，从头到尾进行训练。在元学习过程中，它学习学习一个深度距离度量来比较插曲中的少量图像，每个图像都被设计用来模拟少数镜头设置。经过训练后，RN能够通过计算查询图像与每个新类的少数示例之间的关系分数来对新类的图像进行分类，而无需进一步更新网络。除了在少镜头学习上提供更好的性能外，我们的框架很容易扩展到零镜头学习。

yolov5于2020年由glenn-jocher首次提出，直至今日yolov5仍然在不断进行升级迭代。Yolov5有YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x四个版本。文件中，这几个模型的结构基本一样，不同的是和这两个参数。yolov5主要分为输入端，backbone，Neck，和head(prediction)。backbone是New CSP-Darknet53。Neck层为SPFF和New CSP-PAN。Head层为Yolov3 head。

通过不断调整置信度阈值（就是当这个值越高，我们就越相信它判断得正确）来使我们R有不同的取值，然后再算在这个R下P的值，形成一个PR曲线图。对于yolov5来说NMS的置信度值就是这个值。: 指的是当IOU阈值分别取（0.5:0.05: 0.95）时，所有得出来的mAP取平均值。mean Average Precision，每个类的AP值的平均数。算出P-R曲线下面的面积，就是我们的AP值。：指的是当IOU阈值=0.5时，mAP是多少。IOU越大，则说明预测的位置越准确。预测正确的/所有应该预测正确的。...

输入红色框里面的指令就可以加载所有的图像并在一起对比。

我们提出了一种新的目标检测方法YOLO。先前的目标检测工作重新利用分类器来执行检测。相反，我们将对象检测框架为一个。

现有的夜间车辆检测方法主要是通过检测前灯或尾灯来检测车辆。然而，复杂的道路照明环境对这些特性产生了不利的影响。本文提出了一种具有特征平移增强(feature translate enhancement, FTE)模块和目标检测(OD)模块的级联检测网络框架FteGanOd。首先，基于CycleGAN构建FTE模块，提出多尺度特征融合，增强夜间车辆特征检测;通过融合不同的卷积层，将黑夜和白天的特征结合起来，生成增强特征(EF)图。其次，在现有目标检测网络的基础上，改进OD模块，与FTE模块级联，检测EF地图上

目录一、拉普拉斯算子二、高斯拉普拉斯算子​​​​​​三、一阶、二阶导数的区别拉普拉斯算子相当于对像素进行二阶导数。 ​​​一阶求导 （1） （2） 二阶求导

目录 主要目标：主要步骤：1. 使用高斯平滑2. 使用Sobel算子。3. 使用非极大值抑制算法。4. 用滞后阈值连接边缘点。Canny算子的三个主要目标：1. 减少噪声响应 通过最优平滑处理（高斯）来实现2. 正确性 通过非极大值抑制（相当于峰值检测）处理来实现。非极大值抑制反悔的只是边缘数据顶脊处的那些点，而抑制其他所有点。这样可以细化边缘，输出正确位置上边缘点连成的细线。3. 单个边缘点对于亮度变化的定位 因为并非只有一条边缘被检测到，所以要

yolov5训练建议

在图像中找形状Hough transform霍夫变换是一种找直线的方法，设一个点为(x, y)，过这个点的直线可以用 y = mx + c 来表示。那么c = -mx + y。把(c, m)看作一个点，一条直线是由(c, m)来决定的。如果我们这条线上有很多点，那么我们在画出(c,m)所代表的点时，一定会有很多次。就是说我们对这条直线上的点，预设一个m值，就可以算出一个c值。如果这些点都在一条直线上，当我们设到真正的m值的时候，这些点都会得到同一个c值。因为这些点的m,c是一样的。

一阶边缘检测垂直边缘：水平边缘：垂直和水平边缘：​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​...

图像分割是把图像划分成互不相交的若干个同质区域的处理过程。图像阈值化是通过选择合适地阈值把灰度图像转换为二值图像的过程，一般把灰度值小于等于阈值的像素作为图像背景，把灰度值大于阈值的像素作为目标处理。...