a的博客

YOLOv2学习笔记

weixin_44570701 — Wed, 19 Jan 2022 12:04:46 +0800

YOLOv2的改进： 1.Batch Normalization(批量归一化) 批归一化有助于解决反向传播过程中的梯度消失和梯度爆炸问题，降低对一些超参数（比如学习率、网络参数的大小范围、激活函数的选择）的敏感性，并且每个batch分别进行归一化的时候，起到了一定的正则化效果（YOLO2不再使用dropout），从而能够获得更好的收敛速度和收敛效果。 2.High resolution classifier（高分辨率图像分类器）图像分类的训练样本很多，而标注了边框的用于训练对象检测的样本相比而言就

YOLO学习笔记

weixin_44570701 — Wed, 19 Jan 2022 12:01:20 +0800

算法原理 ·将一幅图像分成SxS个网格(grid cell)，如果某个object的中心落在这个网格中，则这个网格就负责预测这个object。 ·每个网格需要预测B个BBox的位置信息和confidence（置信度）信息，一个BBox对应着四个位置信息和一个confidence信息。confidence代表了所预测的box中含有object的置信度和这个box预测的有多准两重信息： ·每个bounding box要预测(x, y, w, h)和confidence共5个值，每个网格还要预测一

损失函数、反向传播、优化器

weixin_44570701 — Tue, 11 Jan 2022 15:54:24 +0800

损失函数：反向传播：优化器：

SSD学习笔记

weixin_44570701 — Thu, 06 Jan 2022 21:08:46 +0800

一、性能 SSD进一步提高了检测精度和速度(VOC-07 mAP=76.8%, VOC-12 mAP=74.9%, COCO mAP@.5=46.5%, mAP@[.5,.95]=26.8%, SSD的精简版速度达到59 fps)。二、算法原理 SSD算法基本流程： 1.输入一幅图片，让图片经过卷积神经网络（CNN）提取特征，并生成 feature map。 2.抽取其中六层的feature map，然后再 feature map 的每个点上生成 default bo...

Faster R-CNN

weixin_44570701 — Thu, 06 Jan 2022 15:34:45 +0800

一、背景 1.设计Region Proposal Networks，利用CNN卷积操作后的特征图生成region proposals，代替了Selective Search、EdgeBoxes等方法，速度上提升明显。 2.训练Region Proposal Networks与Fast R-CNN检测网络共享卷积层，大幅提高网络的检测速度。二、算法原理 Faster R-CNN算法流程可分为3个步骤：将图像输入网络得到相应的特征图使用RPN结构生成候选框，将RPN生成的候选框投影到.

Fast R-CNN

weixin_44570701 — Thu, 06 Jan 2022 15:29:13 +0800

1.背景 1.R-CNN网络训练、测试速度都很慢：R-CNN网络中，一张图经由selective search算法提取约2k个建议框(这2k个建议框大量重叠)，而所有建议框变形后都要输入AlexNet CNN网络提取特征(即约2k次特征提取)，会出现上述重叠区域多次重复提取特征，提取特征操作冗余； 2.R-CNN网络训练、测试繁琐：R-CNN网络训练过程分为ILSVRC 2012样本下有监督预训练、PASCAL VOC 2007该特定样本下的微调、20类即20个SVM分类器训练、20类即20个Bound

R-CNN

weixin_44570701 — Tue, 04 Jan 2022 22:10:30 +0800

一、背景和意义论文链接：R-CNN 主要贡献： 1.在 Pascal VOC 2012 的数据集上，能够将目标检测的验证指标 mAP 提升到 53.3%,这相对于之前最好的结果提升了整整 30%. 2.这篇论文证明了可以讲神经网络应用在自底向上的候选区域，这样就可以进行目标分类和目标定位。 3.这篇论文也带来了一个观点，那就是当你缺乏大量的标注数据时，比较好的可行的手段是，进行神经网络的迁移学习，采用在其他大型数据集训练过后的神经网络，然后在小规模特定的数据集中进行fine-tune微调。二

目标检测发展

weixin_44570701 — Tue, 04 Jan 2022 21:19:29 +0800

目前目标检测算法发展成了两条技术路线：Anchor based方法和Anchor free方法。一：Anchor based Anchor-based方法则包括一阶段和二阶段检测算法(二阶段目标检测算法一般比一阶段精度要高，但一阶段检测算法速度会更快)。 1.1 Two-stage目标检测算法二阶段算法主要分为以下2个阶段：从图像中生成Region proposals 从Region proposals生成最终的物体边框并分类。主要算法：R-CNN系列 1.2One-st...

YOLOv5学习笔记

weixin_44570701 — Fri, 24 Dec 2021 20:40:06 +0800

转载于：深入浅出Yolo系列之Yolov5核心基础知识完整讲解_江南研习社-优快云博客_yolov5 1 网络结构 Yolov5官方代码中，给出的目标检测网络中一共有4个版本，分别是Yolov5s、Yolov5m、Yolov5l、Yolov5x四个模型。（1）Yolov5s.yaml （2）Yolov5m.yaml （3）Yolov5l.yaml （4）Yolov5x.yaml 四种结构就是通过上面的两个参数，来进行控制网络的深度和宽度。其中depth_m...

YOLOv4学习笔记

weixin_44570701 — Fri, 24 Dec 2021 16:01:44 +0800

1 背景论文地址：[2004.10934] YOLOv4: Optimal Speed and Accuracy of Object Detection (arxiv.org) 通俗的讲，就是说这个YOLO-v4算法是在原有YOLO目标检测架构的基础上，采用了近些年CNN领域中最优秀的优化策略，从数据处理、主干网络、网络训练、激活函数、损失函数等各个方面都有着不同程度的优化。 2 网络结构 YOLOv4的创新点：输入端：这里指的创新主要是训练时对输入端的...

YOLOv3学习笔记

weixin_44570701 — Fri, 24 Dec 2021 11:21:58 +0800

1.论文出处论文：YOLOv3: An Incremental Improvement 论文地址： 2.网络结构 CBL：Yolov3网络结构中的最小组件，由Conv+Bn+Leaky_relu激活函数三者组成。 Res unit：借鉴Resnet网络中的残差结构，让网络可以构建的更深。 ResX：由一个CBL和X个残差组件构成，是Yolov3中的大组件。每个Res模块前面的CBL都起到下采样的作用。 Concat：张量拼接，会扩充两个张量的维度，例如26x26x256和26x26x512两个张量拼接，

折半查找(C++)

weixin_44570701 — Wed, 16 Oct 2019 22:26:14 +0800

#include using namespace std; int BinSearch(int *a,const int x,const int n); int main() { int x[]={1,2,3,4,5,6,7,8,9,10}; int q,num=7; q=BinSearch(x,num,10); if(q<0) cout<&l...

选择排序法(C++）

weixin_44570701 — Wed, 16 Oct 2019 21:54:59 +0800

#include using namespace std; void SelectSort(int *list,const int n); int main() { int x[]={2,4,6,8,10,1,3,5,7,9}; SelectSort(x,10); for(int k=0;k<10;k++) cout<

冒泡排序法（C++）

weixin_44570701 — Wed, 16 Oct 2019 20:46:16 +0800

#include using namespace std; void BubbleSort(int list[],int n); int main() { int a[]={2,4,6,8,10,1,3,5,7,9,0}; BubbleSort(a,10); for(int k=0;k<10;k++) cout<

杭电OJ刷题1000 1089-1092（C++版）

weixin_44570701 — Fri, 11 Oct 2019 18:27:21 +0800

1000 #include using namespace std; int main() { int a,b; while(cin>>a>>b) cout< using namespace s...