FishL

摘要： 【深度学习】总目录 输入端：数据增强、锚框计算等。 backbone：进行特征提取。常用的骨干网络有VGG，ResNet，DenseNet，MobileNet，EfficientNet，CSPDarknet 53，Swin Transformer等。（其中yolov5s采用CSPDarknet 53 阅读全文

摘要： 【深度学习】总目录 DeepLab系列是谷歌团队提出的一系列语义分割算法。DeepLab v1于2014年推出，随后2017到2018年又相继推出了DeepLab v2，DeepLab v3以及DeepLab v3+。 DeepLab v1《Semantic Image Segmentation w 阅读全文

摘要： 【深度学习】总目录 SegNet是Cambridge提出旨在解决自动驾驶或者智能机器人的图像语义分割深度网络，开放源码，基于caffe框架。SegNet运用编码-解码结构和最大池化索引进行上采样，最主要的贡献是它在效率上的提升(内存和时间)。文章很长，消融实验写的很详细，了解一下对以后改模型有所帮助 阅读全文

摘要： 1 遍历子模块直接提取 对于简单的模型，可以采用直接遍历子模块的方法，取出相应name模块的输出，不对模型做任何改动。该方法的缺点在于，只能得到其子模块的输出，而对于使用nn.Sequensial()中包含很多层的模型，无法获得其指定层的输出。 示例 resnet18取出layer1的输出 from 阅读全文

摘要： 语义分割任务常用的评价指标为Dice coefficient和IoU。Dice和IoU都是用来衡量两个集合之间相似性的度量，对于语义分割任务而言即用来评估网络预测的分割结果与人为标注结果之间的相似度。 1 混淆矩阵 混淆矩阵（confusion matrix）是一种特定的矩阵用来呈现算法性能的可视化 阅读全文

摘要： 【深度学习】总目录 语义分割的U-Net网络是2015年诞生的模型，它几乎是当前segmentation项目中应用最广的模型。Unet能从更少的训练图像中进行学习，当它在少于40张图的生物医学数据集上训练时，IOU值仍能达到92%。Unet网络非常简单，前半部分作用是特征提取，后半部分是上采样。在一 阅读全文

摘要： 在各种深度学习框架中，我们最常用的损失函数就是交叉熵，熵是用来描述一个系统的混乱程度，通过交叉熵我们就能够确定预测数据与真实数据的相近程度。交叉熵越小，表示数据越接近真实样本。 1 分类任务的损失计算 1.1 单标签分类 二分类 单标签任务，顾名思义，每个样本只能有一个标签，比如ImageNet图像 阅读全文

摘要： 全卷积网络（FCN）是用于图片语义分割的一种卷积神经网络（CNN），由Jonathan Long，Evan Shelhamer 和Trevor Darrell提出，由此开启了深度学习在语义分割中的应用。语义分割是计算机视觉领域很重要的一个分支，在自动驾驶、地面检测等方面都起到很重要作用。与简单区分前 阅读全文

摘要： 1 分类网络 1.1 AlexNet 1.2 GoogLeNet系列 1.3 ResNet深度残差网络 1.4 轻量级网络MobileNet 2 目标检测 2.1 R-CNN系列之论文理解 2.2 R-CNN系列之代码实现 2.3 YOLO系列V1-V4 2.4 YOLOV5代码解析(输入端、Bac 阅读全文

摘要： 【图像处理笔记】总目录 0 引言 1987年，小波被证明是多分辨率信号处理和分析的基础。多分辨率理论融合并统一了来自不同学科的技术，包括来自信号处理的子带编码、来自数字语音识别的正交镜像滤波及金字塔图像处理。顾名思义，多分辨率理论涉及多个分辨率下的信号（或图像）表示与分析。 曾经有人问我有关haar 阅读全文