随笔分类 - 阅读笔记
摘要：YOLOv2： YOLOv1的缺点 虽然检测速度较快，可以实现实时检测，但mAP（检测准确度）较之前的双阶段目标检测模型较低 图像划分为7x7个grid cell，每个grid cell负责预测一个物体，最多预测49个物体，召回率较低 检测小目标和密集目标的能力比较差 YOLOv2 Better B
阅读全文
摘要：论文阅读（8）YOLOv1：You Only Look Once: Unified, Real-Time Object Detection 预测阶段 特征提取 图像卷积（卷积神经网路）之后生成7x7x30张量 将输入图片划分成7x7的网格（grad cell），每一个网格预测2个定位框（x,y,h,
阅读全文
摘要：arXiv:1506.01497 参考： FasterRCNN_哔哩哔哩_bilibili 初读 目前已经了解了目标检测最基础的3个算法：R-CNN、SSPNet和Fast R-CNN，后两者都是基于R-CNN的优化，所以说R-CNN是深度学习目标检测的开山之作。 R-CNN存在不足之处，1张图片使
阅读全文
摘要：arxiv：1504.08083 参考 FastRCNN_哔哩哔哩_bilibili 44 物体检测算法：R-CNN，SSD，YOLO【动手学深度学习v2】_哔哩哔哩_bilibili 初读 R-CNN首次提出将CNN应用于目标检测领域，SPPNet提出SPP layer，提升了R-CNN的速度。但
阅读全文
摘要：arxiv：1406.4729 初读 传统CNN要求固定输入图片的大小，因此若输入图片不符合要求，需要对输入的图片进行大小变换，包括剪裁和长宽变形，这样的处理有可能会使得模型的性能下降。提出空间金字塔池化层（spatial pyramid polling），可以实现直接输入任意大小图片，通过SPP输
阅读全文
摘要：阅读论文（3）R-CNN：Rich feature hierarchies for accurate object detection and semantic segmentation 参考： R-CNN算法精讲 - 同济子豪兄 -_哔哩哔哩_bilibili 1.1Faster RCNN理论合集
阅读全文
摘要：arXiv:1409.1556 参考： https://www.bilibili.com/video/BV1Ao4y117Pd/?spm_id_from=333.999.0.0 4.2 使用pytorch搭建VGG网络_哔哩哔哩_bilibili VGG模型 VGG结构共有5个VGG块，主要模型为V
阅读全文
摘要：[toc] * 提出ResNet模型，深度残差神经网络模型。 * 论文发表于2015年，2016年CVPR最佳论文 * 作者何恺明、孙剑、张翔宇、任少卿（微软亚洲研究院） 参考： [ResNet为什么能解决网络退化问题 - 同济子豪兄 - bilibili](https://www.bilibili
阅读全文
摘要：Alexnet卷积神经网络模型 重叠池化（overlapping pooling） 传统不重叠的池化层，步长s与窗口尺寸z是相同的，s = z。而重叠池化步长s小于窗口尺寸z，s < z。 局部响应归一化 参考：https://zhuanlan.zhihu.com/p/434773836 https
阅读全文
