摘要：
YOLO 在卷积层之后使用了 DarkNet 来做特征检测。 然而，它并没有使用多尺度特征图来做独立的检测。相反，它将特征图部分平滑化，并将其和另一个较低分辨率的特征图拼接。例如，YOLO 将一个 28 × 28 × 512 的层重塑为 14 × 14 × 2048，然后将它和 14 × 14 ×1 阅读全文
摘要：
SSD 是使用 VGG19 网络作为特征提取器（和 Faster R-CNN 中使用的 CNN 一样）的单次检测器。我们在该网络之后添加自定义卷积层（蓝色），并使用卷积核（绿色）执行预测。 同时对类别和位置执行单次预测。 然而，卷积层降低了空间维度和分辨率。因此上述模型仅可以检测较大的目标。为了解决 阅读全文
摘要：
在 Faster R-CNN 中，检测器使用了多个全连接层进行预测。如果有 2000 个 ROI，那么成本非常高。 R-FCN 通过减少每个 ROI 所需的工作量实现加速。上面基于区域的特征图与 ROI 是独立的，可以在每个 ROI 之外单独计算。剩下的工作就比较简单了，因此 R-FCN 的速度比 阅读全文
摘要：
使用候选区域方法（region proposal method）创建目标检测的感兴趣区域（ROI）。在选择性搜索（selective search，SS）中，首先将每个像素作为一组。然后，计算每一组的纹理，并将两个最接近的组结合起来。但是为了避免单个区域吞噬其他区域，首先对较小的组进行分组。继续合并 阅读全文
摘要：
１Ｘ１卷积层的作用： 1.实现跨通道的交互和信息整合.2.进行卷积核通道数的降维和升维.3.就是可以在保持feature map 尺寸不变（即不损失分辨率）的前提下大幅增加非线性特性，把网络做得很deep. 参考网址： https://www.zhihu.com/question/56024942 阅读全文
摘要：
１、应用场景及常用网络结构 目标检测：Ｒ－ＣＮＮ系列、ＹＯＬＯ系列、ＳＳＤ系列、ＲＦＣＮ 场景图像分割：ＦＣＮ、Ｕ－ＮＥＴ、Segnet 实例分割：ＭＡＳＫ－ＲＣＮＮ ２、平台 Ｔensorflow \Caffe\Pytorch 3、分析工具 ｐｙｔｈｏｎ及相应的依赖库 ｎｕｍｐｙ ｐａｎｄａｓ ｍ 阅读全文