2020年12月14日
目标检测——SSD模型搭建
摘要： SSD采用改造的VGG16加额外4个特征层，实现总体的特征提取，生成不同大小的feature_map 改造FC6 和FC7，采用卷积而不是全连接，生成19*19 的feature_map, 额外增加4个卷积层，生成10*10， 5*5， 3*3， 1*1 的feature_map， 其中conv4_ 阅读全文
posted @ 2020-12-14 23:57 learningcaiji 阅读(466) 评论(0) 推荐(0) 编辑
目标检测——SSD编码真实框
摘要： 既然要依靠先验框来回归真实框，要确定两个问题，用哪个先验框来回归真实框，如何回归真实框 1. 用哪个先验框回归真实框 哪个先验框与真实框接近，就用哪个先验框来回归真实框，我们用iou来衡量接近，一般取阈值为0.5， 如果先验框与真实框iou大于0.5，我们用这个先验框来回归这个真实框，准确来说时这些 阅读全文
posted @ 2020-12-14 23:19 learningcaiji 阅读(617) 评论(0) 推荐(0) 编辑
目标检测——SSD先验框生成
摘要： SSD是常用的one_stage目标检测算法。目标检测直白理解就是用框取框图片中的各个位置，如果能框到目标，且目标的边界正好与框的边界重合 则说明检测到一个目标。如果我们用各种各样的框逐像素移动，那么肯定可以很快的检测到目标，但是这样就带来一个问题，各种各种的框，逐像素移动，就意味着无数个框， 这样 阅读全文
posted @ 2020-12-14 21:58 learningcaiji 阅读(3004) 评论(0) 推荐(0) 编辑
2020年12月12日
分类模型的评估
摘要： 1. 混淆矩阵 对于一个分类器（二分类），预测结果和真实情况总共存在四种情况， 预测值分为正类、负类，真实值分分为正类、父类，两两组合，共有四种情况，如下所示，即组成一个混淆矩阵 针对多分类问题，真实情况有N类，预测情况有N类，所以其混淆矩阵为NXN 2.Accuracy 准确率即为所有预测正确的样 阅读全文
posted @ 2020-12-12 11:19 learningcaiji 阅读(311) 评论(0) 推荐(0) 编辑
2020年12月11日
目标检测——yolov4模型评价
摘要： 目标检测模型的好坏通常用mAP和FPS来评价，一个代表准确度，一个代表速度。 mAP的评价指标确切的说无模型无关。 mAP--mean Average Precision. 我们用Precision表示模型预测的精度，即模型预测的所有正例中真正正例的比例 用recall表示模型的召回率，即模型预测的 阅读全文
posted @ 2020-12-11 23:07 learningcaiji 阅读(1814) 评论(0) 推荐(0) 编辑
2020年12月9日
目标检测——yolov4预测及后处理
摘要： 运用训练好的模型进行目标检测，模型输出为中心点对grid的偏移，长宽相对于anchor的缩放比例以及类别 其维度为（b, 13, 13, 3, classes+5） 1. 根据（x, y, h, w）计算出预测框相对于原图像的位置和大小 def yolo_correct_boxes(box_xy, 阅读全文
posted @ 2020-12-09 22:52 learningcaiji 阅读(4109) 评论(0) 推荐(0) 编辑
2020年12月8日
目标检测——yoolov4数据前处理
摘要： 1. 数据增强 基于图像的深度学习算法，通常需要数据增强，比较常规的就是图片翻转，图片旋转，图像裁剪 在目标检测中，对图片进行变换，还会涉及到框的变化，尤其时对图像进行resize成相同大小时，需要对框进行相应的缩放 1.1读取图像&读取框(目标位置) image = Image.open(line 阅读全文
posted @ 2020-12-08 23:10 learningcaiji 阅读(387) 评论(0) 推荐(0) 编辑
卷积神经网络的参数量计算和浮点计算量分析
摘要： 1. CNN参数 params(w) = co* (ci * kw * kh) params(b) = co 所以总的参数量为 params = co* (ci * kw * kh + 1) 当使用了BatchNormalization时，不需要bias 2. CNN计算量 FLOPs (乘法) = 阅读全文
posted @ 2020-12-08 00:25 learningcaiji 阅读(1147) 评论(0) 推荐(0) 编辑
2020年12月7日
目标检测——yolov4模型搭建
摘要： yolov4的网络模型主要分为4个部分 1. 主干特征提取网络，CSPDarkent53 相比 yolov3的Darknet53， yolov4的CSPDarknet53网络有如下特点 1.1 Msih激活函数 Mish = x * K.tanh(K.softplus(x)) 其中：softplus 阅读全文
posted @ 2020-12-07 23:12 learningcaiji 阅读(2149) 评论(0) 推荐(0) 编辑
2020年12月6日
目标检测——yolov4损失函数
摘要： 损失函数 yolo损失分为3个部分类别损失、置信度损失、位置损失 1. 类别损失 只有有目标的地方才会有类别判断，从而才会有类别损失，所以需要解决两个问题：1.有目标的地方；2.类别损失 1.1有目标的地方：object_mask object_mask根据 y_true（真实值）确定，如何通过前处 阅读全文
posted @ 2020-12-06 19:48 learningcaiji 阅读(7240) 评论(0) 推荐(0) 编辑