随笔分类 -  目标检测

Focal Loss理解
摘要：1. 总述 Focal loss主要是为了解决one-stage目标检测中正负样本比例严重失衡的问题。该损失函数降低了大量简单负样本在训练中所占的权重，也可理解为一种困难样本挖掘。 2. 损失函数形式 Focal loss是在交叉熵损失函数基础上进行的修改，首先回顾二分类交叉上损失： 是经过激活函数 阅读全文
posted @ 2018-08-18 19:44 三年一梦 阅读(211453) 评论(15) 推荐(33) 编辑
(转)如何用TensorLayer做目标检测的数据增强
摘要：数据增强在机器学习中的作用不言而喻。和图片分类的数据增强不同，训练目标检测模型的数据增强在对图像做处理时，还需要对图片中每个目标的坐标做相应的处理。此外，位移、裁剪等操作还有可能使得一些目标在处理后只有一小部分区域保留在原图中，这需要额外的机制来判断是否需要去掉该目标来训练模型。为此TensorLa 阅读全文
posted @ 2018-06-23 09:44 三年一梦 阅读(607) 评论(0) 推荐(0) 编辑
Pytorch复现Faster-RCNN
摘要：5月的最后一天，需要写点什么。 通过前几篇博客对Faster-RCNN算是有了一个比较全面的认识，接下来的半个月断断续续写了一些代码，基本上复现了论文。利用torchvision的VGG16预训练权重，在VOC02007trainval训练13个epoch，最后VOC2007test的map在0.6 阅读全文
posted @ 2018-05-31 22:59 三年一梦 阅读(10584) 评论(2) 推荐(1) 编辑
Faster_RCNN 4.训练模型
摘要：总结自论文：Faster_RCNN，与Pytorch代码： 本文主要介绍代码最后部分：trainer.py 、train.py ， 首先分析一些主要理论操作，然后在代码分析里详细介绍其具体实现。首先是训练与测试的过程图： 还是要再次强调： AnchorTargetCreator和ProposalTa 阅读全文
posted @ 2018-05-06 17:00 三年一梦 阅读(10164) 评论(3) 推荐(3) 编辑
Faster_RCNN 3.模型准备(下)
摘要：总结自论文：Faster_RCNN，与Pytorch代码： 本文主要介绍代码第二部分：model/ ， 首先分析一些主要理论操作，然后在代码分析里详细介绍其具体实现。 首先在参考文章的基础上进一步详细绘制了模型的流程图。在 上一篇博客中介绍了模型的上半部分，本文将对模型的下半部分做一介绍。 Fast 阅读全文
posted @ 2018-05-05 17:27 三年一梦 阅读(7115) 评论(15) 推荐(3) 编辑
Faster_RCNN 2.模型准备(上)
摘要：总结自论文：Faster_RCNN，与Pytorch代码： 本文主要介绍代码第二部分：model/utils ， 首先分析一些主要理论操作，然后在代码分析里详细介绍其具体实现。 一. 主要操作 1. bounding box回归： 目的是提高定位表现。在DPM与RCNN中均有运用。 1) RCNN版 阅读全文
posted @ 2018-05-04 17:25 三年一梦 阅读(10766) 评论(8) 推荐(7) 编辑
Faster_RCNN 1.准备工作
摘要：总结自论文：Faster_RCNN，与Pytorch代码： 代码结构： simple-faster-rcnn-pytorch.py data __init__.py dataset.py util.py voc_dataset.py misc convert_caffe_pretain.py tra 阅读全文
posted @ 2018-05-01 20:24 三年一梦 阅读(5571) 评论(6) 推荐(5) 编辑