xiaotiig的博客

想要快速入门一个领域，那就抓紧时间多几篇综述，自己总结一下OCR1 简介1.1 分类1.2 现状1.3 OCR识别5大步骤1.4 进行字符识别的5种方法1.5 字符识别的评价标准2参考文献1 简介OCR英文全称是Optical Character Recognition，中文叫做光学字符识别。它是利用光学技术和计算机技术把印在或写在纸上的文字读取出来，并转换成一种计算机能够接受、人又可以理解的格式。OCR技术确实也在改变着我们的生活：比如一个手机APP就能帮忙扫描名片、身份证，并识别出里面的信息；汽

这里写目录标题一级目录一级目录

SSD1 介绍1.1 简介1.2 结构1.3 特点1.4 训练1.5 结果2 代码实现3 总结4 参考资料1 介绍1.1 简介SSD算法源于2016年发表的算法论文，论文网址：https://arxiv.org/abs/1512.02325其英文全名是Single Shot MultiBox Detector，名字取得不错，Single shot指明了SSD算法属于one-stage方法，MultiBox指明了SSD是多框预测。在上一篇文章中我们已经讲了Yolo算法，从图1也可以看到，SSD算法在准

tf2.2实现Faster R-CNN，全网最好的代码实现，没有之一，进行了详细的代码标注解释。每行代码基本都有注释。Faster R-CNN输入深度学习中中上等难度的代码，搞懂了Faster R-CNN，深度学习基本上没有多大问题了。代码来源：tf2.2实现Faster R-CNN1 Faster R-CNN介绍2 前向传播，反向传播2.1 前向传播2.2 反向传播3 注意4 疑惑5 代码1 Faster R-CNN介绍看懂了下面的三个资料就懂了Faster R-CNN了。1、这个特别好 ht

参考黑马程序员教程(1) train.py# trainimport osimport tensorflow as tffrom tensorflow import kerasimport numpy as npimport matplotlib.pyplot as pltfrom detection.datasets import coco, data_generatorfrom detection.models.detectors import faster_rcnnimport

Faster R-CNN1 Faster R-CNN1.1 简介1.2 结构1.3 特点1.4 训练1.5 结果2 代码3 总结1 Faster R-CNN1.1 简介faster rcnn是何凯明等大神在2015年提出目标检测算法，该算法在2015年的ILSVRV和COCO竞赛中获得多项第一。该算法在fast rcnn基础上提出了RPN候选框生成算法，使得目标检测速度大大提高。在Fast R-CNN还存在着瓶颈问题：Selective Search（选择性搜索）。要找出所有的候选框，那我们有没有一

Fast R-CNN1 Fast R-CNN1.1 简介1.2 结构1.3 特点1.3.1 RoI pooling layer1.3.2 多任务损失1.4 训练1.5 结果2 代码1 Fast R-CNN1.1 简介2015年被提出，改进R-CNN和SPP；SPPNet的性能已经得到很大的改善，SPP网络也有显著的缺点。像R-CNN一样，训练过程是一个多级流水线，涉及提取特征，使用log损失对网络进行微调，训练SVM分类器，最后拟合检测框回归。特征也写入磁盘。网络之间不统一训练，造成很大的麻烦，所以

目录1 SPPNet1.1 简介1.2 结构1.2.1 SPP结构：1.2.2 映射（很简单）1.3 特点1.4 训练1.5 结果2 代码2.1 SPP代码1 SPPNetR-CNN的缺点:1 、每个候选区域都进行了卷积操作提取特征，计算量大速度低效。2、对于卷积网络来讲都需要输入的图像尺寸固定（比如224×224）。这种人为的需要导致面对任意尺寸和比例的图像或子图像时降低识别的精度。当遇到任意尺寸的图像是，都是先将图像适应成固定尺寸，方法包括裁剪和变形。裁剪会导致信息的丢失，变形会导致位置信息的扭

目录1 R-CNN1.1 简介1.2 结构1.3 特点2 实现1 R-CNN1.1 简介1.2 结构1.3 特点2 实现

Overfeat1 Overfeat1.1 简介1.2 结构1.3 特点1 Overfeat1.1 简介OverFeat 是早期经典的 One-Stage 目标检测的算法。这篇论文使用了很少的改动，把同一个 CNN 网络用到了三个计算机视觉的任务上（分类，定位，检测）。论文链接：https://arxiv.org/pdf/1312.6229.pdf1.2 结构https://blog.youkuaiyun.com/m0_45962052/article/details/104849869https:/

YOLOv4是一个综合多种技巧的大杂烩，YOLOv4的论文包含太多知识了，可以说是面试宝典，一定要把YOLOv4的论文搞懂了，哪怕花一个月，慢慢来。YOLOv4一级目录二级目录三级目录参考文献一级目录二级目录三级目录参考文献...

YOLOv3是在YOLOv2的基础上进行改进，没什么大的改动和创新点，而是融合借鉴了很多在其他的方案，最后效果还是很好的，文章中自己也提到了：“We made a bunch of little design changes to make it better”，YOLOv3的论文是《YOLOv3: An Incremental Improvement》，真的是个很低调的题目，没有Better, Faster和Stronger。╮(￣▽ ￣)╭而且论文的篇幅比较短，一共只有6页。前提在了解YOLOv3之

yolo原理1 目标分类和目标检测2 改进1 目标分类和目标检测目标分类一学就会，目标检测一学就废目标检测你感觉就是目标和预测不是对应的，实际上并不是这样的，如果让它一、一对应了，可不可以，就像上图那样，答案是不可以的，因为目标检测不止有一个目标，一个目标的时候可以，如果是多个目标呢？那就有很多个(x,y,w,h,class),仅仅五个数是不够的2 改进如何改进呢？直接输出多个框，直接来全卷积，比如输出20个框，如果有1个目标，那其余19个都是0就可以了比如下面输出5个通道的2×2

YOLOv2的论文全名为YOLO9000: Better, Faster, Stronger，它斩获了CVPR 2017 Best Paper Honorable Mention。在这篇文章中，作者首先在YOLOv1的基础上提出了改进的YOLOv2，然后提出了一种检测与分类联合训练方法，使用这种联合训练方法在COCO检测数据集和ImageNet分类数据集上训练出了YOLO9000模型，其可以检测超过9000多类物体。所以，这篇文章其实包含两个模型：YOLOv2和YOLO9000，不过后者是在前者基础上提出的

YOLO（You Only Look Once）是一种基于深度神经网络的对象识别和定位算法，其最大的特点是运行速度很快，可以用于实时系统。现在YOLO已经发展到v5版本，不过新版本也是在原有版本基础上不断改进演化的，yolo1 原理1.1 基础知识1.2 yolo原理1.2.1 分类原理1.2.2 yolo0.1版本1.2.3 yolo0.5版本1.2.4 yolo0.8版本1.2.5 yolo1.0版本1.2.6 问题2 yolo框架1 原理1.1 基础知识（1）卷积过程中特征图的大小在变化，但是

目标检测1 原理1.1什么是目标检测1.2传统方法1.3深度学习1.3.1两阶段目标检测1.3.2单阶段目标检测1.3.3基于单阶段、双阶段目标检测算法的结合1.4 4个问题1.5 常见俗语二级目录三级目录2 数据集3 常见网络3.1 两阶段目标检测网络3.2 单阶段目标检测网络4 评价指标4.1模型大小4.2处理时间4.2.1 训练时长4.2.2 检测速度（帧/s）4.3准确率5 练习实现参考文献：1 原理1.1什么是目标检测1.2传统方法一般地，传统目标检测算法主要包括预处理、窗口滑动、特征提取

参考这个网址：感谢up主：https://www.bilibili.com/video/BV1Q54y1D7vj?from=search&seid=9568863642230675255