0 项目背景在PaddlePaddle系列套件的模型库中，有PPOCRLabel之于PaddleOCR、EISeg之于PaddleSeg的半自动标注解决方案，但是在适用场景相对最广、需求强烈的目标检测领域，一直缺少特别有效的解决方案。注：EISeg的实例分割可以实现部分目标检测数据的标注，但相对于简单的矩形框标注而言，使用EISeg时间成本又比较高。诚然，当前商用的目标检测数据标注选择还是比较多的
转载
2024-08-26 15:25:02
199阅读
写在前面FCOS是Fully Convlutional One-Stage的缩写。最初版论文在2019年提出，2020年做了修改。正如它的名字，这是一个在目标检测领域重要的全卷积+one-stage模型，更重要的是它还摒弃了anchors，原因是作者认为anchors会带给模型样本不均衡和计算开销增加等问题。也就是说FCOS既没有proposals或者ROI Pooling操作，也没有anchor
转载
2024-03-13 10:30:29
243阅读
前言这是我根据 B 站土堆的 目标检测 YOLOv5 开源代码项目调试与讲解实战 整理撰写的第二篇文章，具体介绍了 YOLOv5 项目中 train.py 文件的参数，所有代码均为视频演示版，非本人原创。在看这篇文章前，请公主王子们确保自己的 YOLOv5 已经配置完成，且项目中的 detect.py 文件也能够成功运行哦~如果在配置 YOLOv5 的过程中遇到问题，可以参考我的这一篇文
论文提出anchor-free和proposal-free的one-stage的目标检测算法FCOS，不再需要anchor相关的的超参数，在目前流行的逐像素(per-pixel)预测方法上进行目标检测，根据实验结果来看，FCOS能够与主流的检测算法相比较，达到SOTA，为后面的大热的anchor-free方法提供了很好的参考论文: FCOS: Fully Convolutional One-Sta
目标检测的问题，就是在给定的图片中找到物体的位置，并标明物体的类别。 通过卷积神经网络CNN，我们可以完成图像识别，即分类任务，然后我们需要通过一些额外的功能完成定位任务，即找到上图中方框在图像中的位置。目前目标检测的研究路线如下，相关论文在这里可以找到，在这里我们选取部分论文来解释一下。R-CNN步骤1：训练一个分类模型（比如AlexNet）；步骤2：对该模型进行fine-tuning；步骤3：
转载
2024-03-14 18:10:52
219阅读
论文名称：《 SSD: Single Shot MultiBox Detector 》论文下载：https://arxiv.org/pdf/1512.02325.pdf论文代码：https://github.com/weiliu89/caffe/tree/ssdSSD 的思想：图片被送进网络之后先生成一系列 feature map，传统一点的one-stage框架会在 feature m
在学习目标检测的过程中，遇到很多含混不清的的概念1、目标检测中的 正/负样本：样本即预测出来的box。Faster R-CNN中的anchor boxes以及SSD中的特征图中的default boxes，这些框中的一部分被选为正样本（正确识别目标），一部分被选为负样本（出现误检），另外一部分被当作背景或者不参与运算。不同的框架有不同的策略，大致筛选策略是根据IOU的值，选取个阈值范围进
转载
2024-08-15 15:05:09
281阅读
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档目录前言一、什么是正负样本？二、怎么定义哪些是正样本/ignore/负样本三. 采样哪些正负样本参与训练总结前言之前在知乎刷到过一篇关于目标检测中正负样本的文章，从实际落地项目角度来看这个问题让我收益匪浅。进一步理解了精度和召回率的关系。知乎大佬的链接：纯量产经验：谈谈目标检测中正负样本的问题 - 知乎一、什么是正负样本？对
转载
2024-07-24 09:29:16
0阅读
Python是一种解析性的，交互式的，面向对象的编程语言，类似于Perl、Tcl、Scheme或Java。Python一些主要功能介绍: Python使用一种优雅的语法，可读性强。Python是一种很灵活的语言，能帮你轻松完成编程工作。并可作为一种原型开发语言，加快大型程序的开发速度。有多种数据类型：numbers (integers, floating point, complex, and
转载
2024-10-19 18:20:25
13阅读
FCOS论文整理（CVPR2021）论文地址和代码主要贡献贡献解释 主要贡献这是2021年的一篇CVPR论文，该论文的主要贡献有如下几点： ●定义了一套不使用锚框，只使用全卷积的Anchor-free目标检测算法(FCOS)。 ●利用金字塔模型(FPN)进行多尺度预测，解决了Anchor-free目标检测算法中的一个公认的缺点：难以处理图像中具有高度重叠目标的场景。 ●提出Center-ness
YOLO1.YOLOv11）论文的思想将一副图片分为s*s个网格(grid cell)，如果某个object的中心就落在这个网格中，则该网格就负责预测这个object。每个网格要预测B个bounding box，每个bounding box除了要预测位置之外，还要附带预测一个confidence值。每个网格还要预测C个类别的分数。下面是将图片分为7*7的网格，每个网格预测2个bounding bo
深度学习中，为了提高模型的精度和泛化能力，往往着眼于两个方面：（1）使用更多的数据（2）使用更深更复杂的网络。** 一、什么是负样本** 负样本是指不包含任务所要识别的目标的图像，也叫负图像（Negtive Image)。以识别限速牌为例，如下所示，左图包含限速牌，为正样本，右图不包含限速牌，为背景图，即负样本。正样本负样本2.为什么要训练负样本训练负样本的目的是为了降低误检测率、误识别率，提高网
负样本是指不包含任务所要识别的目标的图像，也叫负图像（Negtive Image)。以识别限速牌为例，如下所示，左图包含限速牌，为正样本，右图不包含限速牌，为背景图，即负样本增加负样本。
原创
2022-10-15 22:42:25
964阅读
前言在目标检测推理过程中，经常出现误检的情况。将误检的目标引入样本集中，会大幅降低误检率。思路找
原创
2022-06-27 17:03:36
295阅读
导读近年来，一些研究探讨了如何在不需要目标域监督的情况下，在额外数据集中使用隐式线索来帮助少样本检测器完善鲁棒任务概念。本综述从当前的经典和最新研究成果，以及未来的研究展望，从多方面进行了综述。 论文链接：https://arxiv.org/abs/2111.00201摘要由于现实世界数据的长尾分布和削减数据收集和注释成本的迫切需求，学习适应具有少量标记数据的新类的少样本目标检测是一个迫
转载
2024-05-21 11:44:03
57阅读
# Halcon深度学习目标检测及LabelImg的使用
随着深度学习和计算机视觉技术的快速发展，目标检测成为了许多应用的核心。Halcon作为一个强大的视觉开发平台，提供了一系列工具和API来支持深度学习模型的训练和应用。与此同时，LabelImg是一个广泛使用的图像标注工具，它能够高效地为目标检测任务准备训练数据。本文将探讨Halcon深度学习目标检测是否可以使用LabelImg进行数据标注
原创
2024-09-19 04:16:57
134阅读
1.基本概念1.1 什么是目标检测？ 目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。 计算机视觉中关于图像识别有四大类任务：分类-Classification：解决“是什么？”的问题
转载
2024-04-28 13:26:43
16阅读
Django 1.3版本以后，对models外键进行了扩展，记得之前models的外键删除，都是级联删除的，举个例子好理解：Cateogry和Blog关系，Cateory有多个Blog，所以常常在Blog实体里新建一个category的外键，当我们删除一个Category的时候，归属该Category的所有Blog，同时都被删除了，这就是级联删除了。 有个题外话，Django的models和底层
# MySQL没有vs可以吗？
在使用MySQL数据库时，我们时常会碰到“没有”的问题。这种情况下，许多开发者会考虑使用“视图（View）”来解决问题。在本文中，我们将讨论MySQL中的视图以及其使用方式，并提供相应的示例代码。最后，我们将用流程图来展示实现的过程。
## 什么是视图？
视图是一个虚拟表，基于SQL查询创建而成。与物理表不同，视图不存储数据，而是通过对基表的查询动态生成数据。
1. ICCV_2019: Meta R-CNN : Towards General Solver for Instance-level Few-shot Learning (Faster/ Mask R-CNN)论文链接：https://arxiv.org/pdf/1909.13032.pdf代码链接：https://yanxp.github.io/metarcnn.html
转载
2024-08-28 21:18:27
180阅读
