内容列表 1. 引言 2. 特征可视化是什么? 3. 特征可视化怎么做? 4. 进阶内容 5. 总结 1. 引言 GoogLeNet layer4C 看到这些照片是不是觉得很神秘? 这些图片其实是GoogLeNet的Layer4C中channel做特征可视化后的成果。 如果你不明白我在说什么,没关系! 这次我要带大家来看看Google Brain团
内容列表 1 引言 2 BOF and BOS 3 BoF for Backbone 3.1 CutMix 3.2 Mosaic data augmentation 3.3 DropBlock regularizaton 3.4 Class Label smoothing 4 BoS for Backbone 4.1 Mish activation
内容列表 1 引言 2 主要贡献 3 Tricks 4 网络结构 4.1 BackBone--CSPDarknet53 4.2 Neck-- SPP+PAN 4.3 Head--沿用YOLOV3的head 5 总结 1 引言 之前有将介绍过YOLOv1,YOLOv2,YOLOv3,本文要来介绍很火的目标检测算法YOLOv4,该算法是在原有
内容列表 1 引言 2 理解输出 3 理解bounding box 4 NMS后处理 5 加载训练参数 6 最终效果 7 总结 1 引言 在上篇中,我们重点介绍了DarkNet53的网络结构以及YOLOv3的结构,并对相应的检测头做了讲解. 本文继续这个系列的第二篇,主要讲解YOLO3的模型后处理预测阶段的原理和实现. 闲话少述,我们直接开始吧.
内容列表 1. 引言 2. YOLOV3算法思想 3. YOLOV3网络架构 3.1. Darknet53 3.2. YOLOv3网络结构 3.3. Residual module 3.4. 特征图分析 4. 总结 1. 引言 最近整理了YOLO系列相关论文阅读笔记,发现仅仅靠阅读论文还是有很多内容一知半解,吃得不是很透彻. 尽管网络上
1 引言 YOLOv3在YOLOv2的基础上,改良了网络的主干,利用多尺度特征图进行检测,改进了多个独立的Logistic regression分类器来取代softmax来预测类别分类. YOLOv2的论文链接: 戳我 闲话少述,我们直接开始 2 主干网络 YOLOv3提出了新的主干网络: Darknet-53 ,从第0层到第74层,一共有53层卷积层,其余均
内容列表 1 引言 2 相关改进 2.1 BN层 2.2 提高输入分辨率 2.3 采用Anchor Box 2.4 尺寸聚类 2.5 直接位置预测 2.6 YOLOV1 VS YOLOV2 输出对比 2.7 网络结构 2.8 特征融合 2.9 多尺度训练 3 总结 1 引言 YOLO在YOLOv1的基础上做了不少的改进,其中在VO
内容列表 1 引言 2 网络架构 3 检测流程 4 模型预测 5 重要概念 6 NMS 7 损失函数 8 总结 1 引言 YOLO系列为目标检测经典算法,yolo v1(以下都称为yolo)算比较旧的方法了,不过近来想整理一下yolo系列算法,所以先从yolo v1开始整理。 闲话少说,我们直接开始。 :) 2 网络架构 论文题目: You
内容列表 1 引言 2. 计算NMS的步骤 2.1 根据置信度过滤候选框 2.2 根据IOU过滤 3. NMS算法 4. 总结 1 引言 非最大值抑制是一种主要用于目标检测的技术,旨在从一组重叠框中选择最佳边界框。在下图中,非最大值抑制的目的是删除黄色和蓝色框,这样我们只剩下绿色框作为最终的预测结果。 闲话少说,我们直接进入NMS算法的介绍
1. 引言 在目标检测领域中,我们经常用IOU来衡量检测框和标注真实框之间的重叠程度,那么究竟该如何计算IOU呢?闲话少说,我们直接进入今天的主题... 2. 什么是IOU? IOU(交并比 Intersection over Union)是一个术语,用于描述两个框的重叠程度。重叠区域越大,IOU的值越大. IOU主要用于与对象检测相关的应用程序中,在该应用程序中,我们训练
1 引言 我们常用的目标检测为矩形框检测,但是我们有时检测出来的框为不规则的四边形,如下图为常见的遥感图像,此时我们在使用矩形框计算IOU的方式就不再适用.我们可以将问题进行抽象,有木有计算两个不规则四边形IOU的计算方式呢? 2 矩形框IOU计算方式 一般来说,我们对目标矩形框的抽象有两种方式: 左上右下表示 : x1 y1 x2 y2 中心点表示: c_x,c_y,w,h
1 什么是神经网络? 神经网络是一类受人脑启示的算法,通常来说当你打开你的眼睛的时候,你所看到的事物在神经学上称之为数据,在大脑进行数据处理并进行周围物体识别.这就是神经网络工作的原理,它将大量数据作为输入,从数据中学习特征,最后输出这些数据是什么. 2 神经网络工作原理 神经网络有时候称之为人工神经网络,是机器学习的子集,是深度学习算法的核心.人工神经网络由大量互连的处理单元(神经元)组成,它
1 引言 所谓聚类,就是按照某个特定的标准将一个数据集划分成不同的多个类或者簇,使得同一个簇内的数据对象的相似性尽可能大,同时不再一个簇内的数据对象的差异性也尽可能大,聚类算法属于无监督学习算法的一种. 2 K-Means k-均值聚类算法属于最基础的聚类算法,该算法是一种迭代的算法,将规模为n的数据集基于数据间的相似性以及距离簇内中心点的距离划分成k簇.这里的k通常是由用户自己指定的簇的个数,
1 前言 本文重点介绍CVPR2020的一篇文章,该文章针对IPM图进行了泊车位检测和分类,属于端到端的一阶段网络,特此记录本篇读书笔记. 论文标题: End-to-End Trainable One-Stage Parking Slot Detection Integrating Global and Local Information 论文原文地址: End-to-End Trainable
1 引言 KNN(K-Nearest Neighbors)一般指K最近邻算法,属于机器学习中常见的一种分类算法.从KNN的名字中我们就可以大致了解该算法的原理,该模型使用k个邻居的类别来对当前样本进行预测分类. 这里的k代表特征空间中距离当前样本最近的邻居样本的数目. 左侧图中k=1, 待分类样本的类别完全取决于特征空间中距离该样本最近的邻居所属类别. 右侧中k=6, 此时待分类样本的类别取
1 引言 所谓激活函数,就是在人工神经网络的神经元上运行的函数,主要负责将神经元的输入映射到输出端.在神经网络中,激活函数是神经元的一部分,在输入和输出信号之间的正向传播中引入了非线性,可以帮助神经网络学习到数据中的复杂模式.本文主要对深度学习常见的激活函数进行简要的回顾. 2 线性函数 线性激活函数定义输入和输出之间的线性关系,最简单的形式为 y=x ,此时原函数和导函数的定义如下: 此时
1 引言 回归分析技术旨在推断因变量和一个或多个自变量之间的关系,通常应用于监督学习领域。回归分析的方法有很多,可以应用在不同的情景之中,本文主要就其中的线性回归方法展开介绍.本文的主要目的是尽可能清晰直观的介绍线性回归三种实现方式的原理和快速实现,所有模型的开发实现仅涉及Python和Numpy,这里采用生成的数据方便大家更好的理解和可视化。 2 线性相关 线性回归可以理解为一种统计分析过程,它
积分
粉丝
勋章
TA还没有专栏噢
第三方账号登入
看不清?点击更换
第三方账号登入
QQ 微博 微信