weixin_41936775的博客

FPN一、简介1 人工特征之特征化图像金字塔2 卷积网络之单尺度特征图3 卷积网络之金字塔特征层级4 卷积网络之top-down结构一、简介FPN：Feature Pyramid Networks for Object Detection 这篇文章主要基于 特征金字塔(Feature Pyramids) 解决了 目标检测系统中识别多尺度目标的不足。尽管特征金字塔是识别任务中实现多尺度目标检测的基本技术之一，但因为其 计算量大、内存占用高 而难以应用在深度学习目标检测中，因此先前的深度学习目标检测网络会

SSD 的提出为目标检测领域带来了一大改进，无论是准确性还是速度都要优于先前的检测模型，美中不足的是 SSD 对图像中的小目标不太友好，检测效果一般，可能是因为小目标在高层没有足够的信息。为解决该问题，出现了以下几种 SSD 的改进版本：DSSD: Deconvolutional Single Shot DetectorRSSD: Enhancement of SSD by concatenatingfeature maps for object detectionDSOD: Learning D

简记步骤0：环境step0：环境配置步骤1：数据集转换step1: 用 `voc2ssd.py` 生成索引文件step2：用 `voc_annotation.py` 生成用于训练的文件步骤2：训练网络step3：修改 `config.py` 文件step4：运行 `train.py` 文件步骤3：预测step5：修改根目录下 `ssd.py` 文件step6：修改nets目录下 `ssd.py` 文件step7：运行 `predict.py` 文件踩坑步骤0：环境因为电脑配置比较差（NVIDIA Gef

读完 SSD 的论文内容能大致了解这一算法的核心思想和算法流程，但要将其应用到实际问题上还需要去读代码。SSD 的作者是用 Caffe 框架实现的，但自己使用 Caffe 搭建 SSD 的环境实在是太复杂了(师弟说他用了半个月的时间都没有弄好，到处都是坑坑坑，最后还是用了搭建好的付费服务器)，且 Caffe 这个框架着实有点 outdated，所以我就准备看下 Tensorflow 或 Pytorch 的实现。恰好某站上有个超细节的up主录制了 Pytorch 实现 SSD 的视频，而且项目所需恰好也是Py

Single-Shot MultiBox Detector01 目标检测背景想告诉刚进入研究生阶段的师弟师妹们不要划水哇，因为后期开始准备毕设时都要补回来/(ㄒoㄒ)/~~我就是活生生的例子…还是共勉！——————————————————————————————————————————————0SSDSSDSSD 是 RCNNRCNNRCNN 系列中做的很好的一个模型，它在目标检测的准确性和速度上都远超之前的模型。下面的图简单总结了基于 RCNNRCNNRCNN 的一系列模型。（图是之前在某个地方

2020.12.30考完研究生期间的最后一门考试，就开始了毫无节制的寒假生活~颓废到今天已经两个多月了嘎嘎嘎嘎，终于是忍受不了内心的煎熬，准备在开学之前二十天好好学会习了。共勉！！！————————————————————————————————————文章目录简介1 如何进行目标定位？2 如何训练标注数据不足的大型CNN简介R-CNN是由于模型中结合了region proposals和CNN，因此被称为R-CNN：regions with CNN features。那么为什么要进行这种看起来很复

最近在看RCNN系列的目标检测相关文章，然后有好多不了解的名词，更令人讨厌的是，当翻看一个名词的时候又会蹦出来其他不熟悉的概念，简直就是一个恶性循环…既不想写字也不想打字，最终还是选择敲敲敲敲做些笔记，总不能看了就忘以至于白白浪费时间????????????RCNN系列的目标检测模型，均是基于 region proposal(区域建议) 的 (有些地方把region proposal翻译为区域建议，也有的翻译为 候选区域，这两种见的比较多，我更喜欢第二种翻译，直觉上会更容易理解点)。Q1：RCNN中为什