DLUT_yan的博客

AlexNetVGGGooLeNetFPNResNetYOLO系列SSDrcnn系列：fast rcnn、faster rcnnMask rcnn9. Mask rcnnMask R-CNN是ICCV 2017的best paper。Mask R-CNN是继承于**Faster R-CNN (2016)**的，Mask R-CNN只是在Faster R-CNN上面加了一个M...

参考：论文翻译：感觉这个人是有道翻译的，很多地方翻译的并不好，但是还是可以稍微参考一下。CSPNet论文简单的总结

一、为什么改进交叉熵？Single stage detector不好的原因完全在于：极度不平衡的正负样本比例: anchor近似于sliding window的方式会使正负样本接近1000：1，而且绝大部分负样本都是easy example，这就导致下面一个问题：gradient被easy example dominant的问题：往往这些easy example虽然loss很低，但由于数量...

看了很多关于yolov3的算法讲解，但是对于损失函数一直没怎么看懂，再看代码，发现完全不懂，所以决定再仔细看看yolov3的损失函数。先回顾下YOLOv1的损失函数：Loss=λcoord∑i=0S2∑j=0BIijobj[(xi−x^i)2+(yi−y^i)2]+λcoord∑i=0S2∑j=0BIijobj[(wi−w^i)2+(hi−h^i)2]+∑i=0S2∑j=0BIijobj(...

以前写过一篇博客，都是转载其余博主的内容，对yolov3有了基本认识，但是当时只浮于表面，并没有真正的理解yolov3，现在对于yolov3的anchor计算，损失函数的计算有了一些新的理解，记录一下。在网络最后的输出中，对于每个grid cell产生3个bounding box，每个bounding box的输出有三类参数：一个是对象的box参数，一共是四个值，即box的中心点坐标（x,y...

转载，仅供自己学习，侵删。一、 算法详解：Faster-rcnn主要包括4个关键模块，特征提取网络、生成ROI、ROI分类、ROI回归。特征提取网络：它用来从大量的图片中提取出一些不同目标的重要特征，通常由conv+relu+pool层构成，常用一些预训练好的网络（VGG、Inception、Resnet等），获得的结果叫做特征图feature map；生成ROI(RPN)：在获得的特...

全部转载已附上链接，只是为了自己记录学习，如有侵权，请联系删除。R-CNN网络的主要问题有：1.使用selective search产生proposal，操作耗时，且不利于网络的整体训练和测试；2.产生的proposal需要经过warp操作再送入后续网络，导致图像的变形和扭曲；3.每一个proposal均需要单独进行特征提取，重复计算量大；4.R-CNN的训练都包含多个单独步骤：先预训练...

全文转载别人的，总结各位大神的内容，如有侵权，请联系作者删除。为什么要边框回归？对于上图，绿色的框表示Ground Truth, 红色的框为Selective Search提取的Region Proposal。那么即便红色的框被分类器识别为飞机，但是由于红色的框定位不准(IoU<0.5)， 那么这张图相当于没有正确的检测出飞机。 如果我们能对红色的框进行微调， 使得经过微调后的窗口跟...

1、创新点：本文解决了目标检测中的两个关键问题。问题一：速度经典的目标检测算法使用滑动窗法依次判断所有可能的区域。本文则预先提取一系列较可能是物体的候选区域，之后仅在这些候选区域上提取特征，进行判断。问题二：训练集经典的目标检测算法在区域中提取人工设定的特征（Haar，HOG）。本文则需要训练深度网络进行特征提取。可供使用的有两个数据库：一个较大的识别库（ImageNet ILSVC ...

转载，仅供自己学习，侵删。一、背景基于“Proposal + Classification”的目标检测方法中，R-CNN 系列（R-CNN、 SPPnet、Fast R-CNN以及 Faster R-CNN等）取得了非常好的结果，但是在速度方面离实时效果还比较远。在提高 mAP (Mean Average Precision) 的同时兼顾速度，逐渐成为神经网络目标检测领域未来的趋势。YOLO...

转载，侵删。新的网络结构Darknet-53先从特征提取网络说起。YOLOv2时用的是Darknet-19网络来提取特征，这次修改成了Darknet-53，网络又加深了不少，看一下Darknet-53的结构与性能：虽然运算复杂度提升了一点，但是它的浮点运算能力以及top-1,top-5表现有很大提高.速度降了一点，但是还是很高。看一下YOLOv3网络整体：Demolayer ...

全文转载，侵删。YOLO有两个缺点：（1）定位不准确（2）和基于region proposal的方法相比召回率较低。因此YOLOv2主要是要在这两方面做提升。另外YOLOv2并不是通过加深或加宽网络达到效果提升，反而是简化了网络。下面就是使用的一些手段。1 添加了BN(Batch Normalization)层，map提高了2%Batch Normalization可以提升模型收敛速...

全文转载，仅供自己学习，侵删。RCNN：我们先来研究一下图片，嗯，这些位置很可能存在一些对象，你们对这些位置再检测一下看到底是哪些对象在里面。YOLO：我们把图片大致分成98个区域，每个区域看下有没有对象存在，以及具体位置在哪里。RCNN：你这么简单粗暴真的没问题吗？YOLO：当然没有…咳，其实是有一点点问题的，准确率要低一点，但是我非常快！快！快！RCNN：为什么你用那么粗略的候选区...

一. 背景background网络Alexnet的出现带火了深度学习，最重要的特点为通过数据驱动让模型自动学习特征，省去了人工寻找特征的步骤。在深度网络中，各个特征会不断的经过线性非线性的综合计算，越深的网络输出表示能力越强的特征。所以，网络的深度对于学习表达能力更强的特征至关重要，这一问题在VGGNet中得到很好体现。深度模型中，每层的输出特征图的尺寸大都随着网络深度而变化，主要是高和...

总体的体系结构训练阶段，输入为固定的224x224的RGB图像。唯一做的预处理是对每个像素减去训练集中的RGB均值。卷积核使用3x3，在我们的一种配置中也有使用1x1的情况，这可以看作是对输入通道的一个线性变换（其后面接一个非线性变换）。步长固定为一像素。padding用来保持卷积后图像的原来大小分辨率。空间池化包含五个最大池化层，它们接在部分卷积层的后面，（并不是所有卷积层都接有最大池化层）。...

什么是IoU在目标检测算法中，我们经常需要评价2个矩形框之间的相似性，直观来看可以通过比较2个框的距离、重叠面积等计算得到相似性，而IoU指标恰好可以实现这样的度量。简而言之，IoU（intersection over union，交并比）是目标检测算法中用来评价2个矩形框之间相似度的指标IoU = 两个矩形框相交的面积 / 两个矩形框相并的面积，如下图所示：什么是TP TN FP FN...

一 、分类和回归输出变量为有限个离散变量的预测问题成为分类问题；输入变量与输出变量均为连续变量的预测问题是回归问题；分类模型和回归模型本质一样，分类模型是将回归模型的输出离散化。二 、分类和回归应用场景1.回归问题的应用场景回归问题通常是用来预测一个值，如预测房价、未来的天气情况等等，例如一个产品的实际价格为500元，通过回归分析预测值为499元，我们认为这是一个比较好的回归分析。一个...

刚刚接触利用神经网络进行目标检测。基础：https://www.zybuluo.com/hanbingtao/note/433855【目标检测主要CNN，所以只需要看1、2、3、4】https://blog.youkuaiyun.com/liufanghuangdi/article/details/81188283【这篇博客不是很全面但是写的通俗易懂】有关梯度下降法：https://blog.csd...