weixin_41803339的博客

1、序言Swin Transformer一出，谁与争锋。在各个视觉任务领域屠榜，目标检测刷到58.7 AP，实例分割刷到51.1 Mask AP， 语义分割在ADE20K上刷到53.5 mIoU，都是目前第一。本文对Swin Transformer论文做一些解读分析。2、论文论文名称：《Swin Transformer: Hierarchical Vision Transformer using Shifted Windows》下载链接：swin transformer论文的主要贡献点：1、通过

1、序言 最近一直在调YOLOF，目前进展不错，所以记录一下，YOLOF-You Only Look One-level Feature，顾名思义，是要向多级检测发起质疑，搞那么复杂的多级检测有必要吗？2、多级检测 多级检测的始祖源于SSD，使用不同level的feature进行检测，FPN被用于多级特征融合后输出不同level的feature用于head的检测。FCOS、YOLOv3～YOLOv5、ATSS等都用到了多级检测。不同level的feature负责回归不同尺寸...

1、序言 conternet在19年刚出来的时候就对它特别感兴趣，后面遇到了FCOS，就把它遗忘了，但是centernet还是具有很多新颖的idea，值得分析一下。但最近看了一下论文以后突然对各种检测模型的界限不像以前划分的那么清了，什么两阶段和单阶段，anchor free 和anchor base在我看来主要还是在定义正负样本的区别，还有框的回归方式，anchor base会有个anchor box的先验知识，但实际上框的回归方式不重要。。。2、论文 论文中说大多数成功的目...

1、序言 Yolov1的框回归较为困难，依然存在很多缺点，在此基础上提出了Yolov2，以下对yolov2进行简单介绍。2、yolov2的贡献点 （1）yolov1实际上可以认为是一个anchor free模型，但由于其框的回归质量差，yolov2又提出了使用anchor box作为先验知识，在此基础下进行回归目标框。 （2）yolov2在卷积层后面加了BN层，去掉了fc层。 （3）增加了reorg层，用来将底层特征加到高层特征，增加上下文的语义信息，提升对小目标的检出...

目录1、序言2、论文理解3、代码4、总结1、序言 yolo系列的出现受到了业界的极大追捧， you only look once(YOLO)。特别嚣张的向两阶段模型宣战。我当时也是因为对它名字的抵触和其他一些原因，一直没有仔细看yolo系列，现在我决定还是要了解它，在你不了解的领域或者人，不能轻易下定义了。下面对yolov1进行研读。2、论文理解 论文链接：yolov1论文 如上图，相对两...

目录1 引言2检测框回归损失函数2.1 SmoothL1 2.1.1 SmoothL1 Torch实现代码 2.1.2 SmoothL1的缺点2.2 Iou 2.2.1 Iou Torch代码实现 2.2.2 Iou的缺点2.3 Giou 2.3.1 Giou Torch实现代码 2.3.2 Giou 缺点2.4 Diou和Ciou 2.4.1 Diou Torch实现代码 2....

1、fcos网络 在常见的计算机视觉任务中，个人认为检测是比较复杂的。主要原因也是anchor生成机制的原因，检测过程涉及anchor的尺寸scale和长宽比aspect radio等超参数的设置，检测框匹配，正负样本不均匀，计算复杂度高等等问题的解决。所以近年来anchor机制是检测里面的主流。 当然也有人开始挑战权威。提出了anchor-free，这种idea让我这样的弟弟...