《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七：PANet模块》
MASK RCNN中也有PAN Path Aggregation Network ， 一 FPN 如下图conv conv conv amp ，分别对应高层 中层 底层特征，这里将其特征融合得到M M M M 特征图最终得到的P 等特征图可以用于预测。 FPN就是这样，自顶向下的模式，将高层特征传下来。而底层特征却无法影响高层特征，并且FPN中的这种方法中，顶部信息流往下传，是逐层地传，计算量比 ...
2021-03-09 09:57 0 1053 推荐指数：
相关推荐
《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， ...
《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， ...
《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 ...
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 ...
《三、YOLOV3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》 3.0 综述 V3不像V2那样众多细节的改变，V3注重于整体网络核心架构升级。如下图，比较浮夸；x轴是单帧前向推理速度，y轴是主流网络在COCO数据集上mAP 值。下图浮夸 ...
GitHub上YOLOv5开源代码的训练数据定义
GitHub上YOLOv5开源代码的训练数据定义 代码地址：https://github.com/ultralytics/YOLOv5 训练数据定义地址：https://github.com/ultralytics/yolov5/wiki/Train-Custom-Data YOLOv5训练 ...