摘要: 计算机操作系统之熟悉实验环境 # 进入到 oslab 所在的文件夹 $ cd /home/shiyanlou/oslab/ # 解压,并指定解压到 /home/shiyanlou/ # 这样的话,在 /home/shiyanlou/oslab/ 中就能找到解压后的所有文件 $ tar -zxvf h 阅读全文
posted @ 2021-04-11 16:03 狂战士99999 阅读(247) 评论(0) 推荐(0)
摘要: 传统的目标检测方法也称为基于手工特征的目标检测方法 基于手工特征的目标检测方法 = 手工特征 + 机器学习方法 三种手工特征 Haar特征、HOG(梯度直方图特征)、LBP(局部二值模式特征) 图 1给出了三种手工特征模板。LBP特征(局部二值模式)如图 1(a)所示,模板中心周围的像素值均与模板中 阅读全文
posted @ 2021-02-25 15:55 狂战士99999 阅读(1665) 评论(0) 推荐(1)
摘要: 讨论 在前面几篇文章中的几类能有效提高小目标检测精度的方法中,数据增强作为普适性最好的提高小目标检测效果的方法,能够用于不同的场景、不同类型的小目标检测,普适性较好;多尺度融合、锚框设计、IOU 阈值匹配、超参数调优也能够用于不同场景下的小目标检测,但是都存在着一定程度上的可迁移性问题,即在某一场景 阅读全文
posted @ 2021-02-25 12:38 狂战士99999 阅读(570) 评论(0) 推荐(0)
摘要: 什么是超参数 基于深度学习的模型参数主要分为参数和超参数,参数通常在数据中自动获取,不需要人为设置,而超参数是模型外部的配置变量,通常需要人为设置。超参数主要包括学习率(learning rate)、批量尺寸大小(batch size),迭代次数(epoch)、隐藏层数目层数、激活函数的选择、部分损 阅读全文
posted @ 2021-02-25 12:10 狂战士99999 阅读(927) 评论(0) 推荐(0)
摘要: GAN生成式对抗网络的引入 1.GAN的用途 ①广泛应用于图像超分重建、表示学习、风栺转移等任务中。对于检测小目标,文献中提出利用Perceptual GAN 来增强小目标的特征表达。传统的 GAN 中生成器是学习从噪声分布到数据的映射,而Perceptual GAN 则是负责寻找不同尺度物体间的结 阅读全文
posted @ 2021-02-25 12:00 狂战士99999 阅读(264) 评论(0) 推荐(0)
摘要: 1.IOU的定义 交并比 IOU(Intersection Over Union)是指目标预测边界框和真实边界框的交集和并集的比值,即物体Bounding Box 与 Ground Truth 的重叠度,IOU 的定义是为了衡量物体定位精度的一种标准。 2.IOU设置过高或过低的问题 如果 IOU 阅读全文
posted @ 2021-02-25 11:34 狂战士99999 阅读(4235) 评论(0) 推荐(0)
摘要: 1.锚框设计的种类 ①Faster RCNN 模型利用 RPN(RegionProposal Networks,候选区域网络)生成候选检测框时,对于最小尺度为 128*128 的 Anchor,其候选框平均大小要超过 100*100,也就是设置的最小 Anchor 都要比待检测的小目标大很多,但如果 阅读全文
posted @ 2021-02-24 17:55 狂战士99999 阅读(1007) 评论(0) 推荐(0)
摘要: 1.多尺度融合的原因 卷积神经网络的浅层网络分辨率高,感受野小,目标的位置准确,适合检测小目标,但特征的语义信息表征能力弱,召回率低;而深层网络分辨率低,像素少,可能会导致小目标的信息丢失,不利于其识别,但特征的语义信息表征能力强,因此如果两者能够取长补短进行融合,那么既能利用浅层网络的细节信息又能 阅读全文
posted @ 2021-02-24 17:04 狂战士99999 阅读(730) 评论(0) 推荐(0)
摘要: 数据增强 针对不同数据集自动化组合数据增强的方法 通过复制粘贴增加图片中小目标的数量(可进行适当缩放和旋转),不要覆盖已有目标的位置 在每个批次训练时,随机将四张图像(相同大小或不同大小)进行缩放,然后随机拼接成一张原图尺寸大小的图像,这样就增加了小目标的数量 随着超分辨率技术的不断发展,将低分辨率 阅读全文
posted @ 2021-02-24 16:10 狂战士99999 阅读(758) 评论(0) 推荐(0)