DSOD: Learning Deeply Supervised Object Detectors from Scratch
论文下载链接：
http://openaccess.thecvf.com/content_ICCV_2017/papers/Shen_DSOD_Learning_Deeply_ICCV_2017_paper.pdf
代码地址：
https://git
转载
2024-08-09 10:56:01
111阅读
一、目标检测之SSDSSD: Single Shot MultiBox Detector论文链接：https://arxiv.org/abs/1512.02325
论文代码：https://github.com/balancap/SSD-Tensorflow
二、SSD算法1、整体框架图1： 图2：算法步骤：1、输入一幅图片（300x300），将其输入到预训练好的分类网络中来获得不同大小的特征映射
转载
2024-04-21 12:21:18
106阅读
SSD(single shot multibox detector)SSD模型结构SSD(Single Shot MultiBox Detector)算法是Wei Liu在ECCV 2016提出的一种(one-stage方法)目标检测模型，算法的主网络结构是VGG16。直接回归目标类别和位置(不需要候选框提取的过程)，是针对于卷积网络的结果进行处理在不同尺度的特征图上进行预测(比起two stag
转载
2024-04-09 01:40:40
521阅读
使用paddlex划分数据集第一节课我们讲了如何将编号标注完成后的数据集放置在不同文件夹后，导出COCO格式的训练集与测试集标注文件。这里我们介绍另一种方法：只需要提供数据集的路径，路径文件夹中包含对应的图像文件夹和标注文件夹即可，再指明训练集测试集验证集划分比例，就会将标注数据集按比例划分为训练集与测试集。!pip install paddlex
!paddlex --split_dataset
转载
2024-04-02 21:16:42
26阅读
以机器自动设计网络结构为目标的神经网络搜索（NAS，Neural Architecture Search）有望为机器学习带来一场新的革命。但是，现有的 NAS 解决方案的有效性和效率还不明确，最近的一些工作表明，许多现有的 NAS 解决方案甚至不优于随机网络搜索。NAS 方法的无效性可能归因于不准确的网络结构评估。具体来说，为了加快 NAS 的速度，最近的工作提出了利用共享网络参数在一个大的搜索空
目录读取数据集损失函数和评价函数网络模型图预测 %matplotlib inline
import torch
import torchvision
from torch import nn
from torch.nn import functional as F
from d2l import torch as d2l
#对每个锚框进行类别预测
def cls_predictor(num_i
转载
2023-06-19 16:20:26
326阅读
One Stage和Two Stage。 之前已经介绍了R-CNN、Fast-RCNN以及Faster-RCNN三种目标检测网络的算法流程和理论，这三种网络都属于Two Stage，Two Stage字面意思就是需要两步完成检测，这种目标检测网络有个比较明显的缺陷是检测速度较慢。为了加快检测速度，出现了另外一种One Stage的目标检测网络，常见地例如SSD、Yolo算法。
SSD介绍SSD(Single Shot Multibox Detector)是一种单阶多层的目标检测模型，因为SSD只进行了一次框的预测与损失计算，因此属于One-Stage范畴里的一种主流框架，目前仍被广泛应用。SSD从多个角度对目标检测做出了创新，结合了Faster-RCNN和YOLO各自的优点，使得目标检测的速度相比Faster-RCNN有了很大的提升，同时检测精度也与Faster-RCN
转载
2023-08-17 09:53:48
150阅读
一、 引言目标检测近年来已经取得了很重要的进展，主流的目标算法主要分为两种类型：two-stage方法，如R-CNN系算法，其主要思路是先通过启发式方法（selective search）或者CNN网络（RPN)产生一系列稀疏的候选框，然后对这些候选框进行分类与回归，two-stage方法的优势是准确度高；one-stage方法，如Yolo和SSD，其主要思路是均匀地在图片的不同位置进行密集抽样，
转载
2024-03-08 23:48:57
108阅读
SSD(Single Shot Detection)是一个流行且强大的目标检测网络，网络结构包含了基础网络(Base Network)，辅助卷积层(Auxiliary Convolutions)和预测卷积层(Predicton Convolutions)。本文包含了以下几个部分：(1)理解SSD网络算法所需要理解的几个重要概念(2)SSD网络框架图(3)SSD网络中几个重要概念的详细解释(4)SS
转载
2024-08-12 15:08:35
204阅读
文章目录一、SSD目标检测算法1.1 采用多尺度特征图用于检测1.2 采用卷积进行检测1.3 设置先验框二、SSD目标检测算法实现（简易版本）2.1 类别预测层2.2 边界框预测层（Bounding box）2.3 连接多尺度的预测2.4 高和宽减半块2.5 基本网络块2.6 完整的模型2.7 模型训练2.8 预测目标三、参考整理 一、SSD目标检测算法SSD（单发多框检测）设计理念 参考：这篇
转载
2024-04-24 14:06:39
547阅读
b.com/weiliu89/caffe/tree/ssdSSD paper : https://arxiv.org/abs/1512.02325SSD eccv2016 slide pdf : http://do...
转载
2022-10-05 22:52:02
468阅读
前言： SSD是经典的一阶目标检测网络框架，特点是速度快，网络简洁。主要思想：（1）数据增强，包括光学变换和几何变换（2）网络骨架，SSD在VGG基础上延伸了4个卷积模块（生成不同尺度的特征图）（3）PriorBox与多层特征图：在不同尺度设置预选框，分别检测不同大小物体（4）正、 负样本的选取与损失计算
转载
2023-10-27 15:00:15
97阅读
SSD是YOLO之后又一个引人注目的目标检测结构，它沿用了YOLO中直接回归 bbox和分类概率的方法，同时又参考了Faster R-CNN，大量使用anchor来提升识别准确度。通过把这两种结构相结合，SSD保持了很高的识别速度，还能把mAP提升到较高的水平。一、基本结构与原理原作者给了两种SSD结构，SSD 300和SSD 512，用于不同输入尺寸的图像识别。本文中以SSD 300为例，图1上
转载
2023-10-08 10:10:26
18阅读
自2014年RCNN论文发表之后，机器学习在目标检测领域得到了飞速发展，本系列文章将介绍一些目标检测发展的里程碑著作的代码实现。SSD1. 网络结构论文中给出的网络结构图如下： 在SSD前向传递网络结构中，步骤为：添加backbone网络，即Resnet50的前几层网络添加额外6层特征提取网络计算损失所得结果后处理def forward(self, image, targets=None):
转载
2024-01-02 12:20:27
117阅读
目标检测由两个独立的任务组成，即分类和定位。 R-CNN 系列目标检测器由两个阶段组成
原创
2024-05-18 19:24:36
66阅读
SSD（Single Shot Detection）是一个流行且强大的目标检测网络，网络结构包含了基础网络（Base Network），辅助卷积层（Auxiliary Convolutions）和预测卷积层（Predicton Convolutions）。本文包含了以下几个部分：（1）理解SSD网络算法所需要理解的几个重要概念（2）SSD网络框架图（3）SSD网络中几个重要概念的详细解释（4）SS
转载
2024-01-06 06:16:53
74阅读
一. 背景本文档以ssd300作为背景网络进行解读，以Tensorflow，Keras为框架原始代码：
https://github.com/pierluigiferrari/ssd_kerasgithub.com
分析后的代码：
https://github.com/Freshield/LEARN_detection/tree/master/a4_github_better_ssd/
作者 | Slumbers，毕业于中山大学，深度学习工程师，主要方向是目标检测，语义分割，GAN责编 | Jane
本文是对 CVPR2019 论文《Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression》的解读，通过对 Loss 的修改提升检测任务的效果，觉得思
转载
2024-08-11 18:10:15
47阅读
混淆矩阵：True Positive、False Negative、False Positive、True Negative一级指标：准确率（Accuracy）、精确率（Precision）、灵敏度（Sensitivity）（就是召回率Recall）、特异度（Specificity）二级指标：mAP 目录一、混淆矩阵二、二级指标三、三级指标mAP 一、混淆矩阵先理解一下，TP、TN、FP、FN的含
转载
2024-08-03 22:54:24
139阅读
