10 2022 档案
YOLO V1理论合集
摘要：YOLO V1 前言 本文主要讲以下几个方面：YOLOV1介绍、预测阶段、后处理、YOLOV1训练阶段以及YOLOV1的局限性。 YOLO介绍 针对目标检测问题，之前的检测方法通常都转变为了一个分类问题，如R-CNN、Fast R-CNN等。而在yolo中，作者将目标检测问题转变为了一个回归
FPN理论合集
摘要：FPN(Feature Pyramid Networks) FPN提出原因 卷积网络中，深层网络容易响应语义特征，浅层网络容易响应图像特征。然而，在目标检测中往往因为卷积网络的这个特征带来了不少麻烦： 高层网络虽然能响应语义特征，但是由于Feature Map的尺寸太小，拥有的几何信息并不多，不利于
Faster R-CNN理论合集
摘要：Faster R-CNN R-CNN(Region with CNN feature) 算法流程 RCNN算法流程可分为4个步骤 一张图像生成1k~2k个候选区域(使用Selective Search方法) 对每个候选区域，使用深度网络提取特征 特征送入每一类的SVM分类器，判别是否属于该类 使
