摘要：
faster_rcnn_r50_fpn_1x_coco.py文件位于目录mmdetection/configs/faster_rcnn/下面,主要内容如下: _base_ = [ '../_base_/models/faster_rcnn_r50_fpn.py', '../_base_/datase 阅读全文
posted @ 2021-02-27 23:55
MSTK
阅读(1459)
评论(0)
推荐(0)
摘要：
git clone的项目,用PyCharm打开以后,点击History,出来的全部是GitHub上的提交记录,这时如果点击提交,也是提交到GitHub. 要取消GitHub提交,点击File->Settings->Version Control,删除项目的Git就可以了. 阅读全文
posted @ 2021-01-21 17:59
MSTK
阅读(1906)
评论(0)
推荐(0)
摘要：
D2Det是一种two-stage算法,类似于Faster-RCNN,在Faster-RCNN的基础上进行了一些改进,总体框架如下图(a)所示: 和Faster-RCNN相比,改进的地方在于: 1. Dense local regression 如上图(b)所示,Faster-RCNN是对RPN提出 阅读全文
posted @ 2020-12-09 15:10
MSTK
阅读(885)
评论(0)
推荐(0)
摘要：
MMDetection是一个基于Pytorch实现的深度学习和目标检测代码库,包含了Faster-RCNN,YOLO,SSD等主流的目标检测算法代码和已经训练好的模型,方便我们进行目标检测算法的研究.MMDetection的安装步骤如下: 1. 创建一个Conda环境并Activate,很简单,就不 阅读全文
posted @ 2020-12-05 20:27
MSTK
阅读(2106)
评论(0)
推荐(0)
摘要：
RefineDet可以看成是SSD,RPN,FPN算法的结合,其主要思想是:Faster-RCNN等two-stage算法,对box进行两次回归,因而精度高,但是速度慢;YOLO等one-stage算法,对box只进行一个回归,速度快,但是精度低.RefineDet将两者结合起来,对box进行两次回 阅读全文
posted @ 2020-11-28 16:37
MSTK
阅读(362)
评论(0)
推荐(0)
摘要：
Hyperband算法的伪代码如下: R是单个超参数组合能够分配的最大资源预算,如1个epoch就是1个预算,R=81,就表示81个epoch,smax=4,B=5R=405,当s=4时,初始为81个点,每个点训练1个epoch,然后选择最好的27个点,每个点再训练3个epoch,...,直到最后只 阅读全文
posted @ 2020-10-07 18:14
MSTK
阅读(1390)
评论(0)
推荐(0)
摘要：
超参数(Hyper-parameter)是定义模型或者定义训练过程的参数,是相对于模型参数(Parameter)来说的,比如目标检测网络的网络结构,激活函数的选择,学习率的大小,Anchor的尺寸等等,都属于超参数.超参数对网络的性能(如目标检测网络的mAP等)有很大的影响,因此需要找到性能最优的参 阅读全文
posted @ 2020-10-04 16:01
MSTK
阅读(2408)
评论(0)
推荐(0)
摘要：
提交COCO Detection Challenge (Bounding Box)时出现错误: WARNING: Your kernel does not support swap limit capabilities or the cgroup is not mounted. Memory lim 阅读全文
posted @ 2020-09-15 19:49
MSTK
阅读(3482)
评论(0)
推荐(0)
摘要：
和原始的NMS不同,DIoU-NMS不仅考虑了IoU的值,还考虑了两个Box中心点之间的距离,使用了新的公式决定一个Box是否被删除: 其中,RDIoU是两个Box中心点之间的距离,用下面的公式表示: 其中p(.)是距离,b和bgt表示两个box,c是包含两个box的最小box的对角线长度,如下图所 阅读全文
posted @ 2020-08-30 20:38
MSTK
阅读(4566)
评论(0)
推荐(0)
摘要：
运行下面代码时出错： net = model_zoo.get_model('faster_rcnn_resnet50_v1b_voc', pretrained=True, ctx=mx.gpu(0)) 原因是安装的mxnet版本不对，以前安装的是mxnet-cu90，换成mxnet-cu100就正常 阅读全文
posted @ 2020-07-27 20:08
MSTK
阅读(3445)
评论(0)
推荐(0)
摘要：
安装TensorFlow 2.0.0以后,运行出现了下面的错误: tensorflow.python.framework.errors_impl.InternalError: cudaGetDevice() failed. Status: CUDA driver version is insuffi 阅读全文
posted @ 2020-06-17 17:19
MSTK
阅读(4842)
评论(0)
推荐(0)
摘要：
安装Tensorflow 2.0以后,运行 import tensorflow as tf 出现下面的错误: 原因及解决的办法:以前是用pip install tensorflow-gpu安装的,没有指定版本,删除以前安装的版本,指定版本为2.0.0-alpha0安装: pip install te 阅读全文
posted @ 2020-06-16 14:07
MSTK
阅读(951)
评论(0)
推荐(0)
摘要：
GluonCV是分布式机器学习社区(DMLC)发布的深度学习计算机视觉工具箱,提供了计算机视觉顶级的算法实现与基本运算(另一个是自然语言处理工具箱GluonNLP). GluonCV简单易用,有很多训练好的模型,通过一行代码就可以下载使用,非常方便. 由于GluonCV是基于MXNet,所以,要先安 阅读全文
posted @ 2020-05-25 15:38
MSTK
阅读(967)
评论(0)
推荐(0)
摘要：
非极大值抑制(Non-Maximum Suppression,NMS)是在目标检测中广泛应用的一种方法:首先对每一个预测框给出一个分类和置信度,对每一类的框,按照置信度从小到大排序;然后选中置信度最大的框,依次和前面的同类框计算IOU,对于IOU大于阈值的框,就直接删除掉（也可以理解成将这些框的置信 阅读全文
posted @ 2020-05-13 18:08
MSTK
阅读(652)
评论(0)
推荐(0)
摘要：
Python对List的排序主要有两种方法:一种是用sorted()函数,这种函数要求用一个变量接收排序的结果,才能实现排序;另一种是用List自带的sort()函数，这种方法不需要用一个变量接收排序的结果.这两种方法的参数都差不多,都有key和reverse两个参数,sorted()多了一个排序对 阅读全文
posted @ 2020-04-30 17:34
MSTK
阅读(11576)
评论(0)
推荐(0)
摘要：
2. Network Architecture 网络分为两个部分:第一部分是backbone卷积网络,用于提取整张图的特征;第二部分是head,用于对ROI进行处理,分为两个分支,一个分支用来对box分类和回归,另一部分进行mask预测。 网络的Backbone采用ResNet或者FPN(Featu 阅读全文
posted @ 2020-03-31 20:23
MSTK
阅读(302)
评论(0)
推荐(0)
摘要：
网络的结构如下： 采用FPN结构,Backbone是RetinalNet,分成了P3~P7共5个Layer,分别训练不同尺寸的Box.每个Layer对应的Head有2个分支,包括一个单独的分支用来预测分类,另一个分支用来预测两部分,一部分是Box坐标的回归,另一部分是GT Box和Anchor之间的 阅读全文
posted @ 2020-02-24 16:11
MSTK
阅读(922)
评论(0)
推荐(0)
摘要：
Keras定义Layer的方法. 阅读全文
posted @ 2020-01-31 18:05
MSTK
阅读(345)
评论(0)
推荐(0)
摘要：
Keras的TimeDistributed层主要用途是在时间维度上进行全连接. 比如Faster RCNN,1张图生成了16个ROI,需要对每一个ROI进行分类和回归,ROI的维度是7×7×512,长度和宽度都是7,512个通道,16个ROI的的维度是16×7×7×512,需要得到16个分类和回归, 阅读全文
posted @ 2019-12-31 21:04
MSTK
阅读(2117)
评论(0)
推荐(1)
摘要：
MASK-RCNN是一个多用途的网络,可以用来做目标检测,实例分割或者人体姿态识别.主要结构如下. 简单的说,就是首先用Faster-RCNN获得ROI,再进行ROI Align,然后输出ROI的分类,同时输出分割掩码. 1. Faster-RCNN和ROI Align Faster-RCNN是一个 阅读全文
posted @ 2019-11-30 21:53
MSTK
阅读(423)
评论(0)
推荐(0)
摘要：
RetinaNet，SSD，YOLOv3，Faster R-CNN等都是Anchor-based的检测器，即需要预定义的Anchor boxes来进行训练。FCOS是一种Anchor-free和Proposal-free的检测器，即不需要预定义Anchor boxes来进行训练，从而节省了对计算资源 阅读全文
posted @ 2019-10-30 23:15
MSTK
阅读(1245)
评论(0)
推荐(0)
摘要：
CornerNet是一种anchor free的目标检测方法，不需要设置anchor，而是通过检测关键点(Keypoints)，即目标的左上角(Top-Left Corners)和右下角(Bottom-Right Corners)，再进行配对，来实现目标的检测。 网络的前半部分是一个卷积网络，后半部 阅读全文
posted @ 2019-09-30 14:45
MSTK
阅读(453)
评论(0)
推荐(0)
摘要：
1. Learning rate不合适，如果太大，会造成不收敛，如果太小，会造成收敛速度非常慢； 2. Batch size太大，陷入到局部最优； 3. 网络太简单，一般情况下，网络的层数和节点数量越大，拟合能力就越强，如果层数和节点不够多，无法拟合复杂的数据，也会造成不收敛. 阅读全文
posted @ 2019-08-20 01:21
MSTK
阅读(5952)
评论(0)
推荐(0)
摘要：
1. Cross entropy 交叉熵损失函数用于二分类损失函数的计算,其公式为： 其中y为真值,y'为估计值.当真值y为1时, 函数图形: 可见此时y'越接近1损失函数的值越小,越接近0损失函数的值越大. 当真值y为0时, 函数图形: 可见此时y'越接近0损失函数的值越小,越接近1损失函数的值越 阅读全文
posted @ 2019-07-28 17:26
MSTK
阅读(13106)
评论(0)
推荐(0)
摘要：
TensorFlow出现这个错误是因为网络的输入被原样输出,也就是说同一个东西既被输入网络,又被输出网络. 阅读全文
posted @ 2019-06-23 18:01
MSTK
阅读(1574)
评论(0)
推荐(0)
摘要：
Keras出现了下面的错误: 原因是使用了Keras backend的reshape操作: 但是Keras backend并不是一个Layer,于是出现了上面的错误.解决的方法是使用Lambda,Lambda用于定义一个Layer,其中没有需要学习的变量,只是对Tensor进行一些操作.先定义一个r 阅读全文
posted @ 2019-06-12 12:33
MSTK
阅读(2231)
评论(0)
推荐(0)
摘要：
对下面的Dict: 如果用value从大到小排序： 如果对key排序,用d[0];默认的是从小到大排序,如果是从大到小,需要用reverse = True. 注意返回的是一个List,不再是Dict. 阅读全文
posted @ 2019-05-18 14:14
MSTK
阅读(17160)
评论(0)
推荐(0)
摘要：
2.2 边框回归 边框回归使用下面的几个公式： xywh是预测值,带a的是anchor的xywh,带*的是GT Box的xywh,可以看作是anchor经过一定的变换回归到附近的GT Box. 阅读全文
posted @ 2019-04-27 23:36
MSTK
阅读(369)
评论(0)
推荐(0)
摘要：
Keras运行迭代一定代数以后，速度越来越慢，经检查是因为在循环迭代过程中增加了新的计算节点，导致计算节点越来越多，内存被占用完，速度变慢。判断是否在循环迭代过程中增加了新的计算节点，可以用下面的语句： 如果增加了新的计算节点，就会报错，如果没有报错，说明没有增加计算节点。 阅读全文
posted @ 2019-03-31 18:13
MSTK
阅读(2498)
评论(0)
推荐(1)
摘要：
加州大学洛杉矶分校在PLOS Computing Biology上发表了一篇文章，分析了深度卷积网络(DCNN)和人类识别物体方法的不同：深度卷积网络(DCNN)是依靠物体的纹理进行识别，而人类是依靠物体的轮廓进行识别。如对下面的图a，人类依靠轮廓很快就能识别出这是一只熊，速度和准确性超过深度卷积网 阅读全文
posted @ 2019-02-12 22:30
MSTK
阅读(1644)
评论(0)
推荐(0)
浙公网安备 33010602011771号