《YOLOV4&5原理與源代碼解析之一：數據增強》
項目中使用YOLO系列已經大半年，是時候總結下原理了。 事實上YOLO3已經是成熟可靠的目標檢測框架，具有很好的商業價值；而YOLO4&5是將近年來DL領域一些創新、可靠、有效的tricks加進去，進一步提升了YOLO的效果，江湖傳言曰：嫁衣神功 ...
原文：《YOLOV4&5原理與源代碼解析之七：PANet模塊》
MASK RCNN中也有PAN Path Aggregation Network ， 一 FPN 如下圖conv conv conv amp ，分別對應高層 中層 底層特征，這里將其特征融合得到M M M M 特征圖最終得到的P 等特征圖可以用於預測。 FPN就是這樣，自頂向下的模式，將高層特征傳下來。而底層特征卻無法影響高層特征，並且FPN中的這種方法中，頂部信息流往下傳，是逐層地傳，計算量比 ...
2021-03-09 09:57 0 1053 推薦指數：
相關推薦
《YOLOV4&5原理與源代碼解析之四：DIoU-NMS》
一、Soft-NMS 先回顧下傳統NMS，如下算法流程圖：假如檢測馬，首先檢測到置信度最大的紅色框，然后遍歷紅色框附近的框並計算IOU，IOU大的框都刪掉。 因為IOU大，表示高度重疊， ...
《YOLOV4&5原理與源代碼解析之二：DropBlock與標簽平滑方法》
Abstract dropout被廣泛地用作全連接層的正則化技術，但是對於卷積層，通常不太有效。dropout在卷積層不work的原因可能是由於卷積層的特征圖中相鄰位置元素在空間上共享語義信息， ...
《YOLOV4&5原理與源代碼解析之六：注意力機制SAM》
注意力機制CV領域是從NLP領域借鑒過來的，比如：一段話中提取關鍵的、具備代表性的詞語。這個其實在以前聚類算法中學習過，例如：利用bag of word技術，提取一篇論文的關鍵詞，實現論文查 ...
《YOLOV4&5原理與源代碼解析之三：IOU是如何進化為CIOU》
一、IOU IOU：也就是交並比，比較簡單，不多說。 缺點： 上面三種情況IOU值是一樣的，但是重疊情況不一樣。當兩個框沒有交集的時候，IOU = 0，導致梯度消失，沒辦法進行反向傳 ...
Andfix熱修復框架原理及源代碼解析-上篇
熱補丁介紹及Andfix的使用 Andfix熱修復框架原理及源代碼解析-上篇 Andfix熱修復框架原理及源代碼解析-下篇 1.不知道怎樣使用的同學，建議看看我上一篇寫的介紹熱補丁和Andfix的使用，這樣你才有一個大概的框架。通過使用Andfix，事實上我們心中會有一個 ...
《三、YOLOV3細節原理全解析》
《一、YOLOV1細節原理全解析》 《二、YOLOV2細節原理全解析》 《三、YOLOV3細節原理全解析》 3.0 綜述 V3不像V2那樣眾多細節的改變，V3注重於整體網絡核心架構升級。如下圖，比較浮誇；x軸是單幀前向推理速度，y軸是主流網絡在COCO數據集上mAP 值。下圖浮誇 ...
GitHub上YOLOv5開源代碼的訓練數據定義
GitHub上YOLOv5開源代碼的訓練數據定義 代碼地址：https://github.com/ultralytics/YOLOv5 訓練數據定義地址：https://github.com/ultralytics/yolov5/wiki/Train-Custom-Data YOLOv5訓練 ...