摘要：
鲁棒性 鲁棒性指的是模型对于输入数据的健壮性，即模型在遇到各种不同的数据输入时，仍然能够保持高效的表现。一个鲁棒性强的模型能够在噪声、缺失数据或者其他异常情况下也能够准确地预测结果。 · 阅读全文
posted @ 2023-11-06 16:43
同淋雪
阅读(132)
评论(0)
推荐(0)
摘要：
YOLO系列之YOLOv1 创新点 将目标检测当成回归问题 输入一张图像经过一次推理可以得到图像中所有目标的检测框和类别。可以端到端的训练和优化网络 优点 速度快 YOLO使用全图信息，背景错误少 泛化能力好 缺点 每个网格只能预测两个边界框和一个类别，限制了对相近目标的检测数量，尤其是密集的小目标 阅读全文
posted @ 2023-11-06 16:40
同淋雪
阅读(305)
评论(0)
推荐(0)
摘要：
Params(参数量)、Model_size(模型大小)和Flops(计算量) 参数量（params）： 参数的数量，通常以M为单位。 params = Kh × Kw × Cin × Cout 模型大小(模型大小)： 在一般的深度学习的框架中（如PyTorch），一般是32位存储，即一个参数用32 阅读全文
posted @ 2023-11-06 16:38
同淋雪
阅读(7730)
评论(0)
推荐(0)
摘要：
Batch Normalization 内部协变量偏移（ICS） 在神经网络的训练过程中，由于隐藏层参数的更新，同分布不同批次的数据，进入网络同一层后的输出分布发生变化，这种现象称之为内部协变量偏移（ICS）。 引起的问题 收敛速度慢，学习不稳定 一方面，ICS现象使网络的每一层需要不断适应输入数据 阅读全文
posted @ 2023-11-06 16:37
同淋雪
阅读(354)
评论(0)
推荐(0)
摘要：
Anchor box（锚框） 锚框是一种用于定义目标位置和尺寸的预定义框或边界框，通常是在图像中不同长度和长宽比下的一组矩阵，对不同大小和不同形状的目标进行检测。 锚框为模型提供不同长度和长宽比的先验信息，使模型能够适应不同大小和形状的目标。算法本身不知道标号物体真实的位置，如果直接对位置预测比较困 阅读全文
posted @ 2023-11-06 16:34
同淋雪
阅读(411)
评论(0)
推荐(0)
摘要：
指标分析 mAp：平均精度，综合衡量检测效果 Ap：精度，衡量被检测的物体是否准确 recall：召回，衡量需要被检测的物体是否被检测到 IoU：交并比，衡量预测框和真实框的重合程度 阅读全文
posted @ 2023-11-06 16:34
同淋雪
阅读(36)
评论(0)
推荐(0)
摘要：
训练、验证和推理 在深度学习中，推理（Inference）、训练（Training）和验证（Validation）是三个关键概念，它们分别表示了不同的阶段和任务： 训练（Training） 训练是深度学习模型的初始阶段，其中模型通过学习数据的过程来逐步优化自己的参数，以便能够捕获输入数据的特征并执行 阅读全文
posted @ 2023-11-06 16:32
同淋雪
阅读(552)
评论(0)
推荐(0)
摘要：
迁移学习 迁移学习（Transfer Learning）是机器学习和深度学习领域的一种方法，它通过将从一个任务中学到的知识或模型参数应用于另一个相关或不完全相关的任务，从而改进后者的性能。这个概念灵感来源于人类学习的方式，即我们在一个领域学到的知识和技能可以帮助我们更容易地学习另一个领域。 迁移学习 阅读全文
posted @ 2023-11-06 16:31
同淋雪
阅读(301)
评论(0)
推荐(0)
摘要：
数据集 一、常见目标检测数据集 1、PASCAL VOC 07/12 Pascal Visual Object Classes（VOC）挑战赛。对四个目标类别进行分类和检测。这两个版本主要用于基准测试集。VOC2007 有5k个训练图像，超过12k的标注目标；VOC2012有11k个训练图像，超过2 阅读全文
posted @ 2023-11-06 16:30
同淋雪
阅读(609)
评论(0)
推荐(0)
浙公网安备 33010602011771号