摘要： 生成对抗网络（Generative Adversarial Networks，简称GAN）是当前人工智能学界最为重要的研究热点之一。其突出的生成能力不仅可用于生成各类图像和自然语言数据，还启发和推动了各类半监督学习和无监督学习任务的发展。 2014年，还在蒙特利尔读博士的Ian Goodfellow 阅读全文

摘要： 参考：https://blog.csdn.net/weixin_42112050/article/details/117169004 阅读全文

摘要： 注意：记得修改data/coco.names的类别名字. 训练指令： ./darknet detector train mascotData/cfg/coco.data mascotData/cfg/yolov4-mascotData.cfg yolov4.conv.137 -gpus 0,1 测试 阅读全文

摘要： SqueezeNet虽在一定程度上减少了卷积计算量，但仍然使用传统的卷积计算方式，而在其后的MobileNet利用了更为高效的深度可分离卷积的方式，进一步加速了卷积网络在移动端的应用。 为了更好地理解深度可分离卷积，在本节首先回顾标准的卷积计算过程，然后详细讲解深度可分离卷积过程，以及基于此结构的两 阅读全文

摘要： 当物体检测应用到实际工业场景时，模型的参数量是一个十分重要的指标，较小的模型可以高效地进行分布式训练，减小模型更新开销，降低平台体积功耗存储和计算能力的限制，方便在FPGA等边缘平台上部署。 基于以上几点，Han等人提出了轻量化模型SqueezeNet，其性能与AlexNet相近，而模型参数仅有Al 阅读全文

摘要： 当前的经典物体检测结构大都依赖使用卷积网络进行特征提取，即Backbone，在前面的章节中我们也详细介绍过如VGGNet、ResNet等优秀的基础网络。但很遗憾，这些网络往往计算量巨大，当前依靠这些基础网络的检测算法很难达到实时运行的要求，尤其是在ARM、FPGA及ASIC等计算力有限的移动端硬件平 阅读全文

摘要： 训练的数据集： 含有数据集的：链接：https://pan.baidu.com/s/1u8N_yRnxrNoIMc4aP55rcQ 提取码：6wfe 不含数据集的：链接：https://pan.baidu.com/s/1BNVj2XSajJx8u1ZlKadnmw 提取码：xrng model.py 阅读全文

摘要： 阅读全文

摘要： 参考：https://www.bilibili.com/video/BV16K411W782?p=2&spm_id_from=pageDriver&vd_source=c8abe32fbec77ddf5705ae6ff117c1e4 阅读全文

摘要： 阅读全文