Pytorch源码：https://github.com/chenyuntc/simple-faster-rcnn-pytorch 首先说一下几个提前准备的函数： （1）loc2bbox：这个函数接受bbox源框和偏差量loc来计算最终的回归框位置。def loc2bbox(src_bbox, loc): #已知源bbox 和位置偏差dx，dy，dh，dw，求目标框G
if src_bbo
转载
2023-08-31 10:22:55
46阅读
RPN流程：1.每一张图片生成固定数量的锚节点,锚节点个数是最后一次特征图大小,比如说最后一层特征大小为(37,50),所以有37*50个锚节点.锚节点之间的步长为16像素点,这是因为vgg16有4次maxpool,所有图像缩小了16倍,所以步长为16像素。每一个锚节点又生成9个区域图,所以生成的锚节点区域图就有9*37*50个.2.如图1左，通过卷积特征生成2*锚节点个数（通道数）scores和
转载
2023-06-25 09:44:56
103阅读
Faster RCNN代码整体框架前言Faster RCNN作为经典的双阶段目标检测算法，掌握其中的思想和代码实现的方法，对于我们实现单阶段目标检测或者双阶段目标检测都是很有帮助的。 相较于单阶段目标检测，双阶段目标检测主要多了一步生成proposal，也就是候选框的生成。在Faster RCNN中，对于图像中的生成的每一个anchor而言，首先要经过RPN（在这里只区分前景或者背景）做第一次筛选
转载
2023-06-16 18:51:30
148阅读
import torch
from torch import nn
from torch.nn import init
# 通道注意力+空间注意力的改进版
# 方法出处 2018 BMCV 《BAM: Bottleneck Attention Module》
# 展平层
class Flatten(nn.Module):
def __init__(self):
supe
转载
2024-07-09 11:38:51
33阅读
前言 Python编程灵活方便，R的模型方法众多，如何将两者结合起来，发挥更大的作用，值得探索。Python可以直接调用R的函数，R是开源项目，肯定会有一些第三方库实现Python与R互通。需要在python中调用R，实在是一种无奈的选择。如果能在一门语言中独立完成一个项目（或数据挖掘任务），是一个比较理想的做法。但是，这种想法也不太现实，毕竟每一种语言都有自己的长处。如果能取长补短，综合使用各
转载
2023-07-31 23:13:03
91阅读
曾经，为了处理一些序列相关的数据，我稍微了解了一点递归网络 (RNN) 的东西。由于当时只会 tensorflow，就从官网上找了一些 tensorflow 相关的 demo，中间陆陆续续折腾了两个多星期，才对 squence to sequence，sequence classification 这些常见的模型和代码有了一些肤浅的认识。虽然只是多了时间这个维度，但 RNN 相关的东西，不仅是模型
注意：整个RPN完全是笔者自己的理解，可能会有一些理解错误的地方。1. RPN简介RPN是regional proposal networks的缩写，是faster-RCNN结构中的一部分。faster-RCNN由两个子网络构成。第一个子网络RPN的作用是在给定图像上提取一定数量带有objectness(是否包含目标的置信度)。第二个子网络直接利用fast-rcnn中的特征提取网络，用RPN获得的
转载
2024-03-06 12:43:32
69阅读
转自：RPN解析 1. RPN的意义 RPN第一次出现在世人眼中是在Faster RCNN这个结构中，专门用来提取候选框，在RCNN和Fast RCNN等物体检测架构中，用来提取候选框的方法通常是Selective Search，是比较传统的方法，而且比较耗时，在CPU上要2s一张图。所以作者提出R ...
转载
2021-10-12 16:32:00
147阅读
2评论
简介Faster R-CNN是继R-CNN，Fast R-CNN后基于Region-CNN的又一目标检测力作。Faster R-CNN发表于NIPS 2015。即便是2015年的算法，在现在也仍然有着广泛的应用以及不俗的精度。缺点是速度较慢，无法进行实时的目标检测。Faster R-CNN是典型的two-stage目标检测框架，即先生成区域提议（Region Proposal），然后在产生的Reg
转载
2024-03-04 15:11:40
69阅读
FASTER-RCNN是一种目标检测的算法，可以迅速检测出输入图像内部的目标，并给出目标的具体范围，本文主要讨论算法的实现过程，内部不包含具体的实现代码，论文原文：《Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks》 FASTER-RCNN主要由两部分构成，RPN和RCNN，RPN用于对输入
转载
2024-04-16 10:02:24
61阅读
CenterNet++ for Object Detection
论文：https://arxiv.org/abs/2204.08394代码（刚刚开源）：https://github.com/Duankaiwen/PyCenterNet目标检测有2种主流:top-down和bottom-up。最先进的方法大多属于第一类。在本文中，作者证明了bottom-up方法与top-down的方
转载
2024-10-23 11:29:02
58阅读
目前神经网络的监督学习过程通常为：数据加载（load）进神经网络经过网络参数对数据的计算，得出预测值（predict）根据预测值与标注值（label）之间的差距，产生损失（loss）通过反向传播（BP：Back Propagation）对神经网络的各个参数产生梯度（gradient）依据特定的梯度下降算法（如SGD：Stochastic Gradient Descent随机梯度下降），基于梯度对参
转载
2023-08-28 15:02:06
239阅读
Transformer模型早在2017年就出现了，当时实验室的分享也有关于这个的。但我当时没有意识到这篇论文的厉害之处，听名字感觉像是那种昙花一现的论文，也没有关注它。直到最近出现了BERT这一神物之后，方才后知后觉此时Transformer已然这么有用！因此，这才仔仔细细地撸了这篇“古老”的论文和源码，这里将主要对照论文和相应的PyTorch源码进行逐一对照解读。因笔者能力有限，如有不详实之处，
转载
2023-10-29 10:24:13
67阅读
主要内容1 Dataset2 Sampler3 DataLoader3.1 三者关系 (Dataset, Sampler, Dataloader)3.2 批处理3.2.1 自动批处理（默认）3.2.3 collate_fn3.3 多进程处理 (multi-process)4 预取 (prefetch)5 代码详解 本篇博文主要用来记录参考链接中的所学重要知识，梳理清楚。 1 DatasetDa
转载
2023-06-18 15:30:52
363阅读
1. torch.utils.data.DataLoader类：class torch.utils.data.DataLoader(dataset, batch_size=1, shuffle=False, sampler=None, batch_sampler=None, num_workers=0, collate_fn=, pin_memory=False, drop_last=False,
转载
2024-05-16 14:11:05
59阅读
1. 源码概览pytorch是众多dl工具中，比较python风格化的一种，另一个完全python化的dl工具是chainer,它的构建语言中只有python，甚至cuda也是从python端调用的。python风格化的好处是，使用了很多python的语言特性，让代码更加简洁，更高效。《python高级编程》的第2、3章，描述了部分python的高级语言特性，比如：列表推导，迭代器和生成器，装饰器
转载
2023-09-02 22:23:16
88阅读
我们继续分析著名的attention is all you need 论文的pytorch实现的源码解析。 由于项目很大，所以我们会分开几讲来进行讲解。上一讲连接在此： Attention is all you need pytorch实现 源码解析01 - 数据预处理、词表的构建 - Attention is all you need pytorch实现 源码解析02 - 模型的训练（1）- 模
转载
2023-11-09 07:31:18
469阅读
目录
命名空间/类/方法/函数/变量
torch.autograd.Function中的ctx参数
DDP(DistributedDataParallel)的构造函数
torch.floor(input, out=None)
nametuple
argmax
view函数
void c10::TensorImpl::refresh_c
转载
2024-04-01 00:00:20
212阅读
Pytorch源码学习01什么是 PyTorch？张量张量初始化1. 直接生成张量2. 通过Numpy数组来生成张量3. 通过已有的张量来生成新的张量4. 通过指定数据维度来生成张量张量属性张量运算1. 张量的索引和切片2. 张量的拼接3. 张量的乘积和矩阵乘法（==逐个元素相乘结果==）4.张量与张量的矩阵乘法（==矩阵运算==）5. 自动赋值运算Tensor与Numpy的转化1. 由张量变换
转载
2023-07-12 01:06:40
148阅读
目录概述BERT模型架构Input RepresentationPre-training TasksTask #1: Masked LMTask #2: Next Sentence PredictionPre-training ProcedureFine-tuning ProcedureComparison of BERT and OpenAI GPT实验GLUE Datasets
