- 博客(7)
- 收藏
- 关注
RSS订阅原创 python学习----__init__ 方法是
_init__方法是 Python 中用于初始化类实例的构造函数，它提供了一种便捷的方式来为对象设置初始状态和属性。在类的设计中合理使用__init__方法，可以提升代码的组织性和可读性。
2024-12-07 20:17:09
200
原创 python学习----布尔参数
布尔参数是函数或方法中常用的一种参数类型，通过简单的True或False值来帮助控制代码的执行路径和功能的启用与禁用，使得代码更加灵活和可配置。
2024-12-07 20:15:14
207
原创 python学习----Mosaic 和 Mixup 超参数
Mosaic强调的是通过拼接不同场景的图像，以增强模型对不同物体和背景的复杂性适应能力。Mixup则通过融合不同图像生成新的样本，促进模型学习到图像与标签之间更复杂的关系。这两种增强技术都能有效提高模型的鲁棒性和泛化能力，尤其在应对真实世界数据时。
2024-12-07 20:09:44
363
原创 目标检测论文学习——特征级超分辨率
提出了一种新的特征级超分辨率方法来改进基于提议的小目标检测框架。该方法适用于任何具有特征池的基于提议的检测器
2024-05-24 17:57:57
1158
2
原创 目标检测论文学习——MTGAN
针对小目标检测提出了端到端多任务生成对抗网络(MTGAN)。在MTGAN中，生成器是一个超分辨率网络，它可以将小的模糊图像上采样为精细图像，并恢复细节信息，以实现更准确的检测。鉴别器是一个多任务网络，它用真实/虚假分数、对象类别分数和边界框回归偏移量来描述每个超分辨率图像补丁。此外，为了使生成器恢复更多的细节以便于检测，鉴别器中的分类和回归损失在训练过程中反向传播到生成器中。
2024-05-07 11:01:37
2239
原创 目标检测论文学习——CFnet
多尺度特征对于密集预测任务至关重要，包括目标检测、实例分割和语义分割。现有的最先进的方法通常是首先通过分类主干提取多尺度特征，然后通过轻量级模块(例如FPN中的融合模块)融合这些特征。然而，通过这种范式可能不足以融合多尺度特征，因为与重型分类主干相比，为特征融合分配的参数有限。为了解决这个问题，提出了一种新的结构，称为级联融合网络(CFNet)，用于密集预测。除了用于提取初始高分辨率特征的干和几个块外，还引入了几个级联阶段来生成CFNet中的多尺度特征。
2024-04-16 11:20:11
2691
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人