10 2020 档案
摘要：1 # -*- coding:utf-8 -*- 2 3 import cv2 4 import os 5 6 7 images = 'D:\\sunway-AI\\Video_Frame\\' 8 if not os.path.exists(images): 9 os.mkdir(images)
阅读全文
摘要：1. Pytorch的nn.DataParallel 参考：https://zhuanlan.zhihu.com/p/102697821
阅读全文
摘要：1 import torch 2 import torchvision 3 import torch.nn as nn 4 import torch.utils.data as Data 5 import matplotlib.pyplot as plt 6 from torch.autograd
阅读全文
摘要：依赖锚框： YOLO v2 针对YOLO v1的不足， 2016年诞生了YOLO v2。 相比起第一个版本， YOLO v2预测更加精准（Better） 、 速度更快（Faster） 、 识别的物体类别也更多（Stronger） ， 在VOC 2007数据集上可以得到mAP 10%以上的提升效果。
阅读全文
摘要：Faster RCNN算法利用了两阶结构， 先实现感兴趣区域的生成， 再进行精细的分类与回归， 虽出色地完成了物体检测任务， 但也限制了其速度， 在更追求速度的实际应用场景下， 应用起来仍存在差距。 在此背景下， YOLO v1算法利用回归的思想， 使用一阶网络直接完成了分类与位置定位两个任务， 速
阅读全文
摘要：本节将对SSD算法进行总结， 并介绍多个基于SSD的改进算法。 1. 审视SSD SSD实现了一个较为优雅、 简洁的物体检测框架， 使用了一阶网络即完成了物体检测任务， 达到了同时期物体检测的较高水平。 总体上，SSD主要有以下3个优点： ·由于利用了多层的特征图进行预测， 因此虽然是一阶的网络，
阅读全文
摘要：SSD算法原理综述： 参考：http://www.360doc.com/content/20/0104/21/99071_884171814.shtml https://blog.csdn.net/qq_41368247/article/details/88027340?utm_medium=dis
阅读全文
摘要：对于物体检测任务， 第4章的Faster RCNN算法采用了两阶的检测架构， 即首先利用RPN网络进行感兴趣区域生成， 然后再对该区域进行类别的分类与位置的回归， 这种方法虽然显著提升了精度， 但也限制了检测速度。 YOLO算法利用回归的思想， 使用一阶网络直接完成了物体检测， 速度很快， 但是精度
阅读全文
摘要：Faster RCNN从问世到现在， 期间诞生了众多优秀的物体检测算法， 但凭借其优越的性能， 目前依然是物体检测领域主流的框架之一。尤其是在高精度、 多尺度和小物体等物体检测领域的难点问题上， 新型算法基本都是在Faster RCNN的基础上优化完善的。 本节将首先分析Faster RCNN的特点
阅读全文
摘要：1. 准备工作 1） 首先从GitHub上下载本章所用的代码， 地址如下： git clone git@github.com:dongdonghy/Detection-PyTorch-Notebook.git 2) 然后创建data文件夹 cd Detection-PyTorch-Notebook/
阅读全文
摘要：RCNN全称为Regions with CNN Features， 是将深度学习应用到物体检测领域的经典之作， 并凭借卷积网络出色的特征提取能力， 大幅度提升了物体检测的效果。 而随后基于RCNN的Fast RCNN及Faster RCNN将物体检测问题进一步优化， 在实现方式、 速度、 精度上均有
阅读全文
摘要：1. Anchor/PriorBox Faster RCNN：首先在第一个阶段对固定的Anchor进行了位置修正与筛选， 得到感兴趣区域后， 在第二个阶段再对该区域进行分类与回归； SSD: 直接将固定大小宽高的PriorBox作为先验的感兴趣区域， 利用一个阶段完成了分类与回归;PriorBox本
阅读全文