迁移学习的概念实际中,基本没有人会从零开始(随机初始化)训练一个完整的卷积网络,因为相对于网络,很难得到一个足够大的数据集[网络很深, 需要足够大数据集]。通常的做法是在一个很大的数据集上进行预训练得到卷积网络ConvNet, 然后将这个ConvNet的参数作为目标任务的初始化参数或者固定这些参数。如果你认为深度学习非常的吃GPU，或者说非常的耗时间，训练一个模型要非常久，但是你如果了解了迁移学习

人脸识别代码库https://github.com/ageitgey/face_recognition安装参考：https://blog.csdn.net/ABC__xiaoming/article/details/116611523报错linano@jetson-nano$:python3 mpy-Copyl.py[ WARN:0 ] qlobal /home/nvidia/host/build

https://blog.csdn.net/qq_37541097/article/details/113247318

论文地址：https://arxiv.org/abs/1905.04899v21.几种数据增强的区别Mixup:将随机的两张样本按比例混合，分类的结果按比例分配；Cutout:随机的将样本中的部分区域cut掉，并且填充0像素值，分类的结果不变；CutMix:就是将一部分区域cut掉但不填充0像素而是随机填充训练集中的其他数据的区域像素值，分类结果按一定的比例分配Mosaic:这种数据增强方式简单来

https://blog.csdn.net/onetwothree_go/article/details/116132760https://zhuanlan.zhihu.com/p/296314513https://blog.csdn.net/hahasl555/article/details/116500763?ops_request_misc=%257B%2522request%255Fid%

两个旋转矩形的IOU计算方法# 中心点 矩形的w h, 旋转的theta（角度，不是弧度）def iou_rotate_calculate(boxes1, boxes2):area1 = boxes1[:, 2] * boxes1[:, 3]area2 = boxes2[:, 2] * boxes2[:, 3]ious = []for i, box1 in enumerate(boxes1):te

明显是网络预测的object 类别数目不同。class-specific 方式，很多地方也称作class-aware的检测，是早期Faster RCNN等众多算法采用的方式。它利用每一个RoI特征回归出所有类别的bbox坐标，最后根据classification 结果索引到对应类别的box输出。这种方式对于ms coco有80类前景的数据集来说，并不算效率高的做法。对于class-aware的检测

文章目录简介旋转包围盒的编码方式矢量的旋转公式包围盒转化为角点相交区域的特点点在四边形(矩形)内点积的物理意义线段交点相交后转化为直线交点计算相交区域面积顶点排序顶点排序代码简易版三角剖分所有代码简介在目标检测的领域，基于Anchor的方法需要对Anchor分配正负样本的标签。通常，对于axis-aligned的anchor和ground truth，可以直接通过 [top left right

PR曲线概念PR曲线中的P代表的是precision（精准率），R代表的是recall（召回率），其代表的是精准率与召回率的关系，一般情况下，将recall设置为横坐标，precision设置为纵坐标。PR曲线功能说明一条PR曲线要对应一个阈值（统计学的概率）。通过选择合适的阈值(比如K%)对样本进行合理的划分，概率大于K%的样本为正例，小于K%的样本为负例，样本分类完成后计算相应的精准率和召回率

论文地址：https://arxiv.org/abs/1905.04899v21.几种数据增强的区别Mixup:将随机的两张样本按比例混合，分类的结果按比例分配；Cutout:随机的将样本中的部分区域cut掉，并且填充0像素值，分类的结果不变；CutMix:就是将一部分区域cut掉但不填充0像素而是随机填充训练集中的其他数据的区域像素值，分类结果按一定的比例分配Mosaic:这种数据增强方式简单来