摘要：​ 本文来自公众号“AI大道理” yolo v3的预测结果就是我们想要的最终的预测框。 从原始图片到框出物体的图片，这中间经历了什么呢？ ​ ​预测过程 （1）添加灰条 yolo v3需要输入416*416大小的图片，然而我们采集的图片未必都是这样的尺寸。 若直接resize，图片会被拉伸导致失真的 阅读全文

摘要：​ 本文来自公众号“AI大道理” 解码就是将预测得到的调整参数应用于先验框，从而得到预测框。 ​解码原理 YOLOv3借鉴RPN网络使用anchor boxes来预测边界框相对先验框的offsets。 YOLOv3预测边界框中心点相对于对应cell左上角位置的相对偏移值，使用sigmoid函数处理偏 阅读全文

摘要：​ 本文来自公众号“AI大道理” ​为什么会有ResNet？ 神经网络叠的越深，则学习出的效果就一定会越好吗？ 答案无疑是否定的，人们发现当模型层数增加到某种程度，模型的效果将会不升反降。 也就是说，深度模型发生了退化情况。 那么，为什么会出现这种情况？ 按理说，当我们堆叠一个模型时，理所当然的会认 阅读全文

摘要：本文来自公众号”AI大道理“ 在深度学习的很多工作中（例如目标检测、图像分割），融合不同尺度的特征是提高性能的一个重要手段。 低层特征分辨率更高，包含更多位置、细节信息，但是由于经过的卷积更少，其语义性更低，噪声更多。 高层特征具有更强的语义信息，但是分辨率很低，对细节的感知能力较差。 如何将两者高 阅读全文

摘要：本文来自公众号“AI大道理” 在YOLOv3中继续改进，提出了一个更深的、借鉴了ResNet和的FPN的网络Darknet-53。 ​ ​darknet-19 YOLO作者自己写的一个深度学习框架叫darknet，后来在YOLO9000中又提出了一个19层卷积网络作为YOLO9000的主干，称为Da 阅读全文

摘要：本文来自公众号“AI大道理” ​ YOLO v3 是目前工业界用的非常多的目标检测的算法。 YOLO v3 没有太多的创新，主要是借鉴一些好的方案融合到 YOLO v2 里面。 不过效果还是不错的，在保持速度优势的前提下，提升了预测精度，尤其是加强了对小物体的识别能力。 YOLO v3 主要的改进有 阅读全文

摘要：本文来自公众号“AI大道理” YOLO v2 是 YOLO v1的进阶版，它没有彻底否定 YOLO v1，而是在 YOLO v1 的基础上，融合了很多其它论文优秀的思想做了大幅的提升。 YOLO v1 比较低的召回率和比较高的定位误差。 所以，让 YOLO v1变得更好指的是保持准确率的情况下： 提 阅读全文