《YOLOV4&5原理与源代码解析之一：数据增强》
项目中使用YOLO系列已经大半年，是时候总结下原理了。 事实上YOLO3已经是成熟可靠的目标检测框架，具有很好的商业价值；而YOLO4&5是将近年来DL领域一些创新、可靠、有效的tricks加进去，进一步提升了YOLO的效果，江湖传言曰：嫁衣神功 ...
原文：《YOLOV4&5原理与源代码解析之四：DIoU-NMS》
一 Soft NMS 先回顾下传统NMS，如下算法流程图：假如检测马，首先检测到置信度最大的红色框，然后遍历红色框附近的框并计算IOU，IOU大的框都删掉。 因为IOU大，表示高度重叠，所以删除。至于SOFT NMS，由于NMS过于绝对，例如下图，绿框和红框重叠大多，绿框很可能被删除，这样会漏检 而soft NMS不会删除绿框，他会给绿色框降分，如图从 . 下降至 . 。 二 DIOU NMS 注 ...
2021-02-25 22:22 0 923 推荐指数：
相关推荐
《YOLOV4&5原理与源代码解析之七：PANet模块》
MASK-RCNN中也有PAN(Path Aggregation Network)， 一、FPN 如下图conv5、conv4、conv2&3，分别对应高层、中层、底层特征，这里将 ...
DIoU-NMS
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 ...
《YOLOV4&5原理与源代码解析之六：注意力机制SAM》
注意力机制CV领域是从NLP领域借鉴过来的，比如：一段话中提取关键的、具备代表性的词语。这个其实在以前聚类算法中学习过，例如：利用bag of word技术，提取一篇论文的关键词，实现论文查 ...
《YOLOV4&5原理与源代码解析之三：IOU是如何进化为CIOU》
一、IOU IOU：也就是交并比，比较简单，不多说。 缺点： 上面三种情况IOU值是一样的，但是重叠情况不一样。当两个框没有交集的时候，IOU = 0，导致梯度消失，没办法进行反向传 ...
《YOLOV4&5原理与源代码解析之二：DropBlock与标签平滑方法》
Abstract dropout被广泛地用作全连接层的正则化技术，但是对于卷积层，通常不太有效。dropout在卷积层不work的原因可能是由于卷积层的特征图中相邻位置元素在空间上共享语义信息， ...
Andfix热修复框架原理及源代码解析-上篇
热补丁介绍及Andfix的使用 Andfix热修复框架原理及源代码解析-上篇 Andfix热修复框架原理及源代码解析-下篇 1.不知道怎样使用的同学，建议看看我上一篇写的介绍热补丁和Andfix的使用，这样你才有一个大概的框架。通过使用Andfix，事实上我们心中会有一个 ...
《二、YOLOV2细节原理全解析》
《一、YOLOV1细节原理全解析》 《二、YOLOV2细节原理全解析》 《三、YOLOV3细节原理全解析》 如下图，yolov2相对yolov1的改进点： 2.1 Batch-Normalization 归一化 在神经网络中，在全连接层中使 ...