qq_39865109的博客

import torchimport torch.nn as nnimport torch.nn.functional as Ffrom torchsummary import summary# Mish = x*tanh(ln(1+e^x))class Mish(nn.Module): def __init__(self): super().__init__() def forward(self, x): x = x * (torch.ta

MTCNN网络架构分析P-net 从总体看，网络是全卷积结构，优点是可以输入任意大小的的图片（针对侦测的时候）。训练的时候输入尺寸是12*12，然后经过3*3的卷积核和池化到1*1*32的过程中都是通道增加的，也就是特征融合的过程。最后分3个类别做输出一个是置信度、一个是边框的偏移量，另一个是十个关键点的位置。R-net 首先R-net是卷积+全链接结构，代表着输入图片大小固定只能是24*24。然后经过卷积池化到特征图3*3*64同样为特征融合过程，最后res...

import osimport torchfrom torch.utils import datafrom PIL import Imageimport numpy as npimport torch.nn as nnimport numpy as npfrom torch.utils import data# 定义一个类返回数据长度给dataLoader使用，还返回标签和数据class dataset(data.Dataset): def __init__(self,pat.

为什么用ArcFace前一篇文章已经提到了问什么不能直接用softmax loss做损失，是因为类与类之间交界处不容易分开，而center loss能把他分开是因为缩小了类内距，就是给每一个中心点，让每个类中的特征点无限向中心点靠拢。缩小类内距的同时，简介缩小了类间距。而ArcFace是直接缩小了类间距。下面是我用mnist数字十分类做的直接用softmax loss和arcFace做的效果图...

Center Loss为什么用Center Loss？首先要声明的是Center Loss主要用于做人脸的识别，那么为什么不用softmax对人脸直接分类呢？因为人脸之间的特征是十分相似的，在类与类之间的交界处是很难区分开的，换句话说softmax分类两张人脸得到的概率值都是0.5左右，导致分类结果不准确。那么怎么把这种交界处区分开呢？有两种方法：1、第一种扩大类间距，2、第二种扩大类内距。C...

经典网络总结1 LeNet-51.1 模型介绍LeNet-5是由LeCun提出的一种用于识别手写数字和机器印刷字符的卷积神经网络（ConvolutionalNeural Network，CNN） ，其命名来源于作者LeCun的名字，5则是其研究成果的代号，在LeNet-5之前还有LeNet-4和LeNet-1鲜为人知。LeNet-5阐述了图像中像素特征之间的相关性能够由参数共享的卷积操...

人脸检测 mtcnn多目标检测与识别肿瘤图像分割

图像分割效果

多目标检测与识别yolov3

YOLOV3的反算1.1 怎么造的样本前面已经讲了怎么造的样本，我们这里回顾一下。1.标注目标位置（xmin，ymin，xmax，ymax），并算出中心点坐标、宽高（cx，cy，w，h）2.中心点坐标除以图片的宽高（cx/size(0),cy/size(2),w/size(0),h/size(1)）然后resize（416，416）3.把（cx/size(0),cy/size(2),w/...

网络结构Darknet 53一、从整体上看，网络一共有152层，分为两个网络，一个是提取特征的网络，另一个是侦测网络。先看特征提取网络，1、全部用的是1 * 1和3 * 3 的卷积核加残差，这也是为什么能把网络加深的原因。2、网络用卷积代替池化，让特征充分被提取，池化主要是用来快速压缩信息的，会丢失信息，用在这里提特征不合适。3、开始阶段传入图片较大，计算量也较大，所以用少量的残差块，通...

YOLOv31.1样本制作前一篇文章已经总结了，要检测识别多目标，需要这几样东西。1.建议框和真实框的相对位置 2 中心点 3 iou（建议框和真实框） 4 cls（类别）如果自己做样本，就先用标注软件得到框的左上角和右下角的坐标点，然后算出中心点的坐标和宽高。由于yolov3输入图片大小必须是416416的。所以得到中心点和宽高不能直接resize，而是先应该用cx/size(0),cy...

1 怎么检测到物体的？1.1 为什么不直接用中心点、宽、高定位目标一般来说，要检测物体就要定位物体，我们一般通过中心点、宽、高来定位，但是我们一般不让神经网络直接学习宽、高。为什么？请看下图：上面有两个框，一个大框一个小框，如果用神经网络直接学习宽、高，在设计损失的时候就会遇到问题，当损失很小的时候，对于大框而言位置会发生较小的偏移，但是对于小框而言，在相同的损失下小框的位置就会发生较大的...