摘要：
先把code放在这了，空了写。 class FocalLoss(nn.Module): # 标签coco是xywh但是在加载的时候好像转化成了xyxy # anno torch.Size([1, 9, 5]) xyxy catagory def forward(self, classificatio 阅读全文
摘要：
arxiv链接 0x01 从NMS到Soft-NMS 在detection中，通常为了避免prediction boxes的重合会使用非极大值抑制的方法筛选候选框，最简单的做法是将bounding box的Confidence排序后依次从C最大的box与其他计算IOU，设置一个固定的阈值，IOU超过 阅读全文
摘要：
0x01 简介 Pytorch是利用Tensor与Function来构建计算图的，Function就像计算图中的边，实现Tensor的计算，并输出新的Tensor，因此Function需要有forward和backward的功能,前者用于正常传递输入,后者用于计算梯度.(但直接用nn.Module构 阅读全文
摘要：
转载自刘建平Pinard
https://www.cnblogs.com/pinard/p/6251584.html 阅读全文
转载自刘建平Pinard
https://www.cnblogs.com/pinard/p/6251584.html 阅读全文
摘要：
特征金字塔,用上采样+3x3卷积得到P3~P5 P6和P7通过C5得到 import torch.nn as nn class FPN(nn.Module): def __init__(self, C3_size, C4_size, C5_size, feature_size=256): # fea 阅读全文
摘要：
懒，就直接用Resnet50了 先写个残差块 class Bottleneck(nn.Module): expansion = 4 def __init__(self, inplanes, planes, stride=1, downsample=None): super(Bottleneck, s 阅读全文
摘要：
笔记整理。 阅读全文
摘要：
一、编码 梯度线圈 用两个电流方向相反的线圈，得到中间线性变化的磁场————梯度场。 在腔体中使用三对梯度线圈，得到$G_x,G_y,G_z$三个方向上的梯度场。在z方向选层，然后在xOy平面进行频率编码与相位编码。 选层(z方向) 根据B1场频率不同（比如64-65MHz），激发的就是中间1.5T 阅读全文