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