蓉儿不是小妖女

摘要： 网络结构: 实现细节: （1）引入改进的CReLU （2）使用Inception （3）使用Hyper特征 （4）引入残差连接训练更深的网络 引入CReLU 余弦相似度: 余弦相似度的取值范围是[-1,1],距离越接近-1表示两个向量的方向越相反，即呈负相关关系。 Pair filter: 一个卷积 阅读全文

摘要： HyperNet: 提出了一种Proposal提取和目标检测一体的网络，Faster-rcnn中的proposal提取网络RPN由于特征图的粗糙，在小目标及大IOU阈值情况下的检测率低提出HyperNet网络基于设计的Hyper特征，这种特征主要先集合分等级的特征图，然后将其压缩到一个空间。这种Hy 阅读全文

摘要： MSCNN（主要解决多尺度同时存在时的检索问题）: 1.针对多尺度问题: 由于卷积网络中不同层得到的特征不同，就对不同的特征层加以利用。例如，Conv4-3的底层，一些细节特征会更加清楚可以用来进行小目标的检测；而高层Conv5-3层，对于大目标的检测效果更好可以用来进行大目标检测，对于不同的层设计 阅读全文

摘要： Faster-RCNN是基于VGG-16的网络结构，Faster-RCNN的提出为了改进Fast-RCNN中存在的问题。Fasr-RCNN中存在了一个较大的问题，就是selective search候选框，Fastr-RCNN中引入了一个专门的生成候选框的区域的神经网络，也就是选择候选框的工作也交给 阅读全文

摘要： Yolo-V4算法中对网络进行了改进，使用CSPDarknet53。网络结构如下: Yolo-V4与Yolo-V3上相比较: （1）对主干网络进行了修改，将原先的Darknet53改为CSPDarknet53，其中是将激活函数改为Mish激活函数，并且在网络中加入了CSP结构。 （2）对特征提取过程 阅读全文

摘要： 在YoLo-V3中使用Darknet53这个网络结构。下图为Darknet-53的网络结构，加入了残差块的结构。 Yolo-V3中的改进： （1）多尺度计算，Yolo-V3又3个不同特征尺度的输出（使用的是CoCo数据集），分别是13×13×225，26×26×225，52×52×225，这里借鉴了 阅读全文

摘要： YOLO-V1网络结构由24个卷积层与2个全连接层构成，网络入口为448×448×3，输出维度：S×S×(B×5+C)，S为划分网格数，B为每个网格负责目标个数，C为类别个数。 YOLO-V1是将一副图像分成S×S个网格，如果某个object的中心落在这个网格中，则这个网格就负责预测这个object 阅读全文

只有注册用户登录后才能阅读该文。 阅读全文