1、introduction在目标检测中，对于小目标的检测是一个难点，如果我们使用传统的多级卷积运算，可能导致像素占比少的小目标在该过程中丢失，所以如何提取高级特征还能保留小目标的信息是一个问题。FPN即特征金字塔，来自论文《Feature Pyramid Networks for Object Detection》。其基本...

论文阅读总结：Real-time Convolutional Neural Networks for Emotion and Gender Classification–O Arriaga复现代码地址：thgpddl/mini_Xception首先，论文中没有给出网路结构等细节，使用官方代码中得到了，但是基本上都是常规的卷积、BN、ReLU等层。1、网络结构从结构上，主要分成base块，modul

0. 效果展示这是GitHub项目地址偷了几张项目中的展示图感受下，要是喜欢这个风格，就继续往下看：1. 使用该项目我只在Ubuntu18成功运行过，Windows试过没有成功。1.1 克隆项目到本地1.2 安装相关ubuntu 16.04sudo apt-get install texlive-latex-extraubuntu 18.04sudo apt-get install texlive

docker的介绍网上有很多，对于深度学习的认来讲，docker的好处就是直接把环境分享给他人，他人不需要再配置环境了。比如我有一个目标检测的项目，我想分享给朋友，那么他首先需要在自己的电脑上配置好显卡驱动、CUDA、CuDNN，在拿到我的项目后，还需要安装各种依赖库，最后代码还不一定跑起来。如果我是用了docker环境进行项目配置，我只需要将环境打包好后分享给朋友。他只需要安装好显卡驱动就行，什

0. 颜色模式RGB 模式(百万种颜色)CMYK 模式(四种印刷色)索引模式(256 种颜色）灰度模式(256 级灰度）位图模式(两种颜色）0.1灰度模式也就是灰度图(黑白照片)，每个像素只有明暗变化，用0~255共256个亮度级来表示，用8个bit来表示，所以每个像素信息用8bit储存.0.2 位图模式(二值图像)即只有纯黑和纯白两种亮度，没有渐变的亮度级，通常用0表示纯黑，1表示纯白，所以每个

COCO数据集是模板检测中经典和标准格式，当我们使用LabelMe给目标检测打标签后，如何转换为COCO数据集格式呢？转换成功后又如何可视化COCO数据集检验是否标注和转换正确呢？

参考：labelme 格式转 VOC2007 数据集格式1、labelme数据格式labelmeset：即图像文件和json文件放在同一文件夹下1.jpg1.json2.jpg2.json…2、转换代码# -*- coding: utf-8 -*-"""Created on Thu Sep 19 14:51:00 2019@author: Andrea"""import osimport nump

TensorRT 是 NVIDIA 提供的高性能深度学习推理库，广泛应用于低延迟和高吞吐的 AI 任务中。多流（multi-stream）并行是一种提高 GPU 计算效率的方法，适用于批量推理场景，可以显著提升吞吐量。本教程将介绍如何判断 TensorRT 推理的运行瓶颈，并基于瓶颈分析，使用多流并行进行优化。多流（multi-stream）并行是一种提高 GPU 资源利用率的方法，使用多个 CU

微小的物体以其极其有限的像素数量为特点，在计算机视觉社区中始终是一个难以破解的难题。微小目标检测 （TOD） 是最具挑战性的任务之一，由于微小目标缺乏区分特征，通用目标检测器通常无法在 TOD 任务中提供令人满意的结果。

ImageNet不用多说，它包含了非常多的图片，总共有2w多个分类，但是显然太多。所以一般更常用的是ImageNet1K数据集，该数据集包含1000个类别。