qq_43799400的博客

参考资料：YOLO系列理论合集(YOLOv1~v3)

YOLOX 详解

文章目录YOLOv2简介YOLOv2的改进之处YOLOv2简介YOLOv1介绍：【目标检测】YOLOv1 ，one-stage 目标检测算法的开山之作YOLOv2即YOLO9000，原论文是《YOLO9000: Better, Faster, Stronger》YOLO2相比于YOLOv1主要有两个大方面的改进：（1）使用一系列的方法对YOLO进行了改进，在保持原有速度的同时提升精度得到YOLOv2。（2）提出了一种目标分类与检测的联合训练方法，同时在COCO和ImageNet数据集中进行训练得

这里写自定义目录标题YOLOv1简介YOLOv1网络结构YOLOv1的损失函数YOLOv1简介YOLO 是 You Only Look Once 的缩写，意思是神经网络只需要看一次图片，就能输出结果。其创新点如下：（1）YOLO是一个端到端的目标检测框架，将整张图作为网络的输入，直接在输出层回归出候选框的位置和类别。（2）速度快，但准确度相对低一些。主要用于实时检测，例如视频目标检测。但 one-stage并不意味着YOLO去掉了生成候选框的步骤，而是将输入图像直接划分为 S×S 个网格（grid

YOLOv3 ，多尺度检测与特征融合

这里所指的训练集是指保存了每一帧的跟踪结果的训练集，也就是说，每一次进行model update的时候，要用在这一帧之前所有跟踪到的样本。那么随着视频越来越长，这个训练集就会越来越大。因为当目标被遮挡或者丢失的时候，比较新的这些样本本身就是错的，那么模型很容易有model drift，就是被背景或者错误的目标污染，导致跟踪结果出错。如下图所示，Baseline是传统的训练集，每更新一帧就加一个进来，那么连续的数帧后训练集里面的样本都是高度相似的，即容易遗忘前面的样本，且容易对最近的若干帧样本过拟合。

NMS（非极大值抑制）的 Python 实现

文章目录论文一：带有注意力RPN和多关系检测器的小样本目标检测网络论文二：Frustratingly Simple Few-Shot Object Detection相关阅读：小样本学习&元学习经典论文整理||持续更新论文一：带有注意力RPN和多关系检测器的小样本目标检测网络参考博客：2020最佳检测 | 带有注意力RPN和多关系检测器的小样本目标检测网络（提供源码和数据及下载）Few-Shot Object Detection目标检测论文：《FSOD: A Highly-Diverse

文章目录一、小样本目标检测简介二、小样本目标检测的方法2.1 基于微调的方法2.2 基于元学习的方法三、小样本目标检测现有的问题四、参考资料一、小样本目标检测简介小样本目标检测 FSOD（few-shot object detection)，是解决训练样本少的情况下的目标检测问题。通过应用较少的标注数据的半监督方法或者利用不完全匹配的标注数据的弱监督方法，利用极少的标注数据学习具有一定泛化能力的模型显得较为重要，这也是小样本学习的所需要解决的问题。人类视觉可以通过对新事物极少的学习就可以获得永久的记

目标检测：RCNN、Fast RCNN、 Faster RCNN 基本思想和网络结构介绍