微信号：Custom-Software

一般翻译成“瓶颈”或是“脖子”，这个翻译总感觉有些问题，此结构主要是将backbone上的多个层级的特征图进行融合加工，增强网络的表达能力，同时，neck决定了head的数量，决定了不同尺度的样本如何分配到不同的head；骨干网络也称为主干网络，主要用于特征提取，提取不同尺度、不同感受野下、不同类别的目标特征，以满足目标检测；SPP、ASPP、RFB、FPN、NAS-FPN、Fully-connected FPN、BiFPN等；检测头，主要用于预测目标的种类和位置(bounding boxes)；

1.前言最近用YOLO V4做车辆检测，配合某一目标追踪算法实现车辆追踪+轨迹提取等功能，正好就此结合论文和代码来对YOLO V4做个解析。先放上个效果图（半成品），如下：YOLO V4的论文链接在这里,名为《YOLOv4: Optimal Speed and Accuracy of Object Detection》，相信大家也是经常看到这几个词眼：大神接棒、YOLO V4来了、Tricks 万花筒等等。阅读YOLO V4的原文，我觉得它更像一篇目标检测模型Tricks文献综述。从本质

目录 一、YOLO VS faster R-CNN 二、YOLOV1网络结构和缺点 三、YOLOV2相对于V1的改进 四、YOLOV3的网络结构和相对于V2的改进 五、YOLOV4相对V3的改进一、YOLO VS faster R-CNN针对于two-stage目标检测算法普遍存在的运算速度慢的缺点，yolo创造性的提出了one-stage。也就是将物体分类和物体定位在一个步骤中完成。yolo直接在输出层回归bounding box的位置和bounding bo

yoloV4论文知识点记录论文链接：https://arxiv.org/abs/2004.10934v1代码链接：https://github.com/AlexeyAB/darknet摘要据说有许多功能可以提高卷积神经网络（CNN）的准确性。需要在大型数据集上对这些特征的组合进行实际测试，并对结果进行理论证明。一些功能仅在某些模型上运行，并且仅在某些问题上运行，或者仅在小规模数据集上运行。而某些功能（例如批归一化和残差连接）适用于大多数模型，任务和数据集。我们假设此类通用功能包括加权残差连接

FCOS: Fully Convolutional One-Stage Object Detection论文链接：论文链接论文代码：代码链接目录 一、FCOS是什么？为什么会这么火？ 二、为什么要提出FCOS以及FCOS的优势在哪？ 三、FCOS算法整体框架 四、FCOS算法实现细节详解 1、FCOS算法和基于anchors的检测算法的不同之处在哪里？ 2、Loss函数详解 3、FPN带来了哪些具体的优势呢？ 4、FCOS中的Center-ness是什么，有什.

摘要：依赖于“大数据”技术与高性能处理器的蓬勃发展，深度学习以其强大的鲁棒性和有效性成为了计算机视觉、自然语言处理等人工智能分支领域中占据主导地位的研究方法。人体关键点检测是计算机视觉中一个极具挑战性的研究。可用于：动作识别，异常行为检测，安防等。本文旨在提出一种基于深度学习的模型，解决人体关键点检测任务中存在的诸多问题，提升检测效果。该任务目前主要存在人体关键点尺度差异性问题。本文引入目标检测领域中流行的特征金字塔网络（Feature pyramidnetwork），通过在多尺度的特征图上提取特征并将高层