weixin_40471107的博客

DiMP程序，跟踪

。。。。。。。。。。。。。。。。。。。。。。。。

mocov2

博客IOU和分类得分之间没有明显的正相关，但是IOU和回归得分之间有明显的正相关。用分类的得分作为依据判断一个预测框是否准确预测对groundtruth来说是不合理的。

import sysimport osimport jsonimport globimport numpy as npimport xml.etree.ElementTree as ETdef get(root,name): return root.findall(name)def get_and_check(root,name,length): vars = root.findall(name) # print(vars) # print(len(vars

Dense在图像金字塔上执行跟踪，违背了FCNs一次完成所有卷积运算的本性。边界框高度重叠的地方有一个很强的歧义性，就是说，对于重叠区域的像素来说，你不确定回归哪个边界框。而FPN消除这种歧义性。FCOS can be used as a RegionProposal Networks (RPNs) in two-stage detectors，RPN是？yolov1召回率低，因为只用center周围的点预测。CornerNet是近期提出的one-stage系探测器，无anchor,需要一个复杂的

model 代码class ResNet(nn.Module):def __init__(self, num_classes, block, layers): self.inplanes = 64 super(ResNet, self).__init__() self.conv1 = nn.Conv2d(3, 64, kernel_size=7, stride=2, padding=3, bias=False) self.bn1 = nn.BatchNorm2d(64)

basicblock结构包含一个残差支路和short-cut支路，比传统的卷积结构多了一个short-cut支路，用于传递低层的信息使得网络能够训练很深。bottleneck先通过一个1x1的卷积减少通道数，使得中间卷积的通道数减少为1/4；中间的普通卷积做完卷积后输出通道数等于输入通道数；第三个卷积用于增加（恢复）通道数，使得bottleneck的输出通道数等于bottleneck的输入通道数。这两个1x1卷积有效地较少了卷积的参数个数和计算量。在较深的网络中BottleNeck会在参数上更加节约，然后

各位有个准备，这应该是个很长很心累的故事，because i am a han han。首先下载好pycharm 社区版。在这里https://github.com/yhenon/pytorch-retinanet 下载代码，再用pycharm打开。首先找服务器配环境。目标是 实现“windows下配置retina”。或“在服务器上配置python环境"...