weixin_45798949的博客

不同IoU阈值下的COCO评估

1.网络介绍1、C1层（卷积层）：6@28×28该层使用了6个卷积核，每个卷积核的大小为5×5，步长为1，这样就得到了6个feature map（特征图），即深度为6。（32-5+1）/1特征图大小：每个卷积核（5×5）与原始的输入图像（32×32）进行卷积，这样得到的feature map（特征图）大小为（32-5+1）×（32-5+1）= 28×282. 池化层：池化层不改变通道数，卷积尺寸22，步长为2，通道数不变。输出尺寸：141463. 卷积层：该层使用了16个卷积核，每个卷积核

原文链接代码即将开源Abstact由于表情模糊、低质量的人脸图像以及注释者的主观性等因素的影响，对一个定性的大规模人脸表情数据集进行注释是非常困难的。这些不确定性导致了深度学习时代大规模人脸表情识别的一个关键挑战。为了解决这一问题，本文提出了一种简单而有效的自修复网络（SCN），它可以有效地抑制不确定性，防止deep网络过度拟合不确定的人脸图像。具体而言，SCN从两个不同的方面抑制了不确定性：1）基于小批量的自我注意机制，对每个训练样本进行排序正则化加权；2）通过仔细的重标记机制，在排名最低的组中修改

项目介绍代码链接飞桨推出的Paddle-Detection是端到端目标检测开发套件，旨在帮助开发者更快更好地完成检测模型的训练、精度速度优化到部署全流程。PaddleDetection以模块化的设计实现了多种主流目标检测算法，并且提供了丰富的数据增强、网络组件、损失函数等模块，集成了模型压缩和跨平台高性能部署能力。目前基于PaddleDetection已经完成落地的项目涉及工业质检、遥感图像检测、无人巡检等多个领域。PaddleDetection新发布精度速度领先的PP-YOLO模型，COCO数据集精

制作数据集'''import xml.etree.ElementTree as ETimport pickleimport osfrom os import listdir, getcwdfrom os.path import join#sets=[('2012', 'train'), ('2012', 'val'), ('2007', 'train'), ('2007', 'val'), ('2007', 'test')]sets=[('2007', 'train'), ('2007',

1.R-CNN是什么论文链接把region proposal和CNNs结合起来，所以该方法被称为R-CNN：Regions with CNN features，整个检测系统有三个模块构成。第一个，产生类别无关的region proposal：这些推荐定义了一个候选检测区域的集合；第二个是一个大型卷积神经网络，用于从每个区域抽取特定大小的特征向量；第三个是一个指定类别的线性SVM分类器。2.如何提取候选框使用了Selective Search方法从一张图像生成约2000-3000个候选区域。在目标

1.准备代码并搭建环境复现环境ubuntu18.04+pytorch1.6.0+python3.7+cuda10.1代码链接下载源代码到指定文件夹下，终端进入yolov5-master文件夹下：pip install -r requirements.txt#加载必要的包2.制作数据集1.更改data/voc.yaml文件# PASCAL VOC dataset http://host.robots.ox.ac.uk/pascal/VOC/# Train command: python tr

1.极力推荐的博客，写的非常好1.安装mmdectiongitthub链接复现环境ubuntu18.04+python3.6+CUDA10.1+pytorch1.51.创建激活虚拟环境conda create -n torch1.5 python=3.6source activate torch1.52.安装GPU-pytorch1.5.0conda install pytorch==1.5.0 torchvision==0.6.0 cudatoolkit=10.1 -c pytorch3

论文链接代码链接1.摘要许多现代目标探测器都利用了两次looking和thinking的机制，表现出了优异的性能。在本文中，我们探讨了这种机制在目标检测主干设计中的应用。在宏观层面，我们提出了递归特征金字塔，它将来自特征金字塔网络的额外反馈连接整合到自下而上的主干层。在微观层面上，我们提出了可切换的空洞卷积，它将具有不同atrous rate对特征进行卷积，并使用开关函数收集结果。将它们结合在一起形成检测器，大大提高了目标检测的性能。在COCO-test-dev上，探测器实现了54.7%的目标检测

报错问题原因：训练的模型类别名称与测试时类别名称不一样导致改为

1.交叉验证介绍“交叉验证法” (cross alidation) 将数据D分为 k个大小相似的互斥子集，尽可保持数据分布的 致性，即从D通过分层采样得到后，每次用k-1 子集的并集作为训练集，余下的那个子集作测试集;这样就可获得k组训练 /试集，从而可进行 k次训练和测试，最终返回的是测试结果的均值 ，显然，交叉验证法评估结果的稳定性和保真性在很大程上取决于k的取取值，为强调这一点，通常把交叉验证法称为 ‘k折交叉验证" (k-fold cross validation). 最常用 的取 10

1.准备1.检测结果的文本文件，文件的内容如下，图片名称，置信度，坐标2.所检测图片的路径3.生成xml文件的路径2.代码import os#import globfrom PIL import Image#import cv2 #图像存储位置image_path = r'G:\shuju\test1'# 图像的 ground truth 的 txt 文件存放位置result_txt='./xin_test_qx.txt'image_xml_dir='./Annotations

import cv2import matplotlib.pyplot as pltpiture_path='E:/pythonpycharm/1/abcde/demo_picture/000456.jpg'#图片路径img=cv2.imread(piture_path)#读取图片plt.imshow(img)plt.show()显示a=(90,50)#(x1,y1)左上角坐标b=(420,300)#(x2,y2)右下角坐标cv2.rectangle(img, a, b, (0, 255, 0

1.首先在根目录新建test_net.py# !/usr/bin/env python# --------------------------------------------------------# Tensorflow Faster R-CNN# Licensed under The MIT License [see LICENSE for details]# Written by Xinlei Chen, based on code from Ross Girshick# ------

# Standard importsimport cv2import numpy as npimport osimport matplotlib.pyplot as plt# Read images#准备拼接的图input_dir='./cai_jian'#拼接图的文件夹dst = cv2.imread("./yuan_tu/0.jpg")#被拼接的图# Create a rough mask around the airplane.#src_mask = np.zeros(src.sh

import osimport cv2import mathpicture_path='./demo'###检测图片的路径txt_path='./qx.txt'###生成检测图片目标预测值的文本文件，# 该文件每一行代表一个缺陷，依次是：图片名称 置信度 x1 y1 x2 y2thresh=0.99###阈值，只有当置信度阈值达到一定设置值才进行裁剪ms=open(txt_path)data=[]for eachline in ms: eachline=eachline.strip