文章分类 -  YOLO

摘要：V2: Better、Faster、Stronger： 1.Batch Normalization 在所有卷积层后激活函数前增加BN层 【BN层： 参考1: https://zhuanlan.zhihu.com/p/24810318 参考2: https://www.cnblogs.com/guoy 阅读全文

摘要：【Abstract】 1.new network-resnet53 2.fast，bigger 320*320图像输入，V3能在22ms完成并且mAP有28.2，和SSD精度相当，且比其快3倍。 【Deal】 boundingbox prediction 在YOLO9000后，系统开始使用dimen 阅读全文

摘要：https://blog.csdn.net/qq_42755230/article/details/125820723 可以看上面这个博客的论文中英文对照，感觉翻译的还可以，但有些地方还是有点像机翻。 【Abstract 摘要】 YOLO V2也叫YOLO9000，因为其能在保证实时检测的情况下识别 阅读全文

摘要：为了对比YOLO和其他检测器之间的差异，我们查看了VOC2007的详细结果分类，我们将其与Faster RCNN进行比较，因为在当时，Faster RCNN是PASCAL上最好的检测器，并且其检测结果公开可见。 我们使用Hoiem等人的方法和工具。在测试时，我们查看了该类别的前N个预测。每个预测要么 阅读全文

摘要：局限性： 1. YOLO对b-box对预测框施加了强大的空间约束，因为对每个cell只predict 2个b-box并且只能有一个类别，这样，限制了模型对相邻数量多的obj的预测效果，如“成群的鸟”。 2. YOLO难以泛化到新的或非寻常比例的objs上 3. 当YOLO在接近检测性能的损失函数上进 阅读全文

摘要：这是YOLO训练时的运作过程：首先我们先设定，现在可识别的类别数量是C。 输入图像之后。像左边这样，图像被分成S*S大小的grid cell，对于每个cell呢，如果obj的中心点落在grid cell中。这个cell就负责检测这个obj。 每个cell都会预测B个BoundingBox，如中间上左 阅读全文

摘要：预训练： 使用数据集ImageNet 1000-class competition dataset。 欲训练网络为下图中的前20层卷积层+一个average-pooling层+一个full connected全连接层 花费时间约一周 达到精度为在ImageNet 2012 validation se 阅读全文