logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

未填写擅长的技术栈

可提供的服务

暂无可提供的服务

目标检测 之 FPN( Feature Pyramid Networks for Object Detection)

卷积普遍会遇到一个问题：原始图像经过卷积神经网络后下采样一定倍数后，有一些小像素物体在特征图上会消失，导致无法被检测出。上图(a)是处理这类问题最常用的方法，即特征金字塔，这种方法在传统的手动设计特征的方法中非常常用，例如DPM方法使用了接近10种不同的尺度获得了不错的效果。上图(b)是在CNN提出之后出现的，因为神经网络模型对物体尺度本身有一定的鲁棒性，所以也取得了...

#深度学习#数据挖掘#机器学习 +2
目标检测 之 Mask R-CNN

整体结构图：创新点：对RoI做出改进并提出了RoIAlign针对像素点偏移的问题，使用了双线性插值来更精确地找到每个块的对应特征总的来说，RoI Align的作用主要就是剔除了RoI Pooling的取整操作，并且使得为每个RoI取得的特征能够更好地对齐原图上的RoI区域。可以方便的扩展到其他任务，比如人的姿态估计 等；不借...

#计算机视觉#机器学习#算法 +2
目标检测 之 SSD

SSD，全称Single Shot MultiBox DetectorSSD具有如下主要特点：从YOLO中继承了将detection转化为regression的思路，一次完成目标定位与分类基于Faster RCNN中的Anchor，提出了相似的Prior box；加入基于特征金字塔（Pyramidal Feature Hierarchy）的检测方式，即在不同感受...

#深度学习#数据挖掘#机器学习 +2
机器学习算法的优缺点

SVM（支持向量机）SVM的优点：1.在高维中表现良好。在现实世界中有无限维度(不仅仅是2D和3D)。例如，图像数据、基因数据、医学数据等具有更高的维数，支持向量机在这方面是有用的。基本上，当特征/列的数量较多时，SVM表现良好。2.类可分离时的最佳算法（当两个类的实例可以通过直线或非线性轻松分隔时）。为了描述可分离的类，让我们举个例子（这里以线性分离为例，通过绘制抛物线等，类也可以是非线性...

#机器学习#算法#人工智能
OpenCV 第七章 目标检测与识别

7.1.1HOG描述符方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。 它通过计算和统计图像局部区域的梯度方向直方图来构成特征。梯度主要存在于边缘的地方。具体的实现方法是：首先将图像分成小的连通区域，我们把它叫细胞单元。然后采集细胞单元中各像素点的梯度的或边缘的方向直方图。最后把这些...

目标检测 之 SSD

SSD，全称Single Shot MultiBox DetectorSSD具有如下主要特点：从YOLO中继承了将detection转化为regression的思路，一次完成目标定位与分类基于Faster RCNN中的Anchor，提出了相似的Prior box；加入基于特征金字塔（Pyramidal Feature Hierarchy）的检测方式，即在不同感受...

#深度学习#数据挖掘#机器学习 +2
ResNeXt网络结构

转自：https://blog.csdn.net/u014380165/article/details/71667916论文：Aggregated Residu...

#深度学习#网络#pytorch +1
【CV中的Attention机制】并行版的CBAM-BAM模块

前言：之前介绍了CBAM模块，可以方便的添加到自己的网络模型中，代码比较简单容易理解。CBAM模块的实现是通过先后施加通道注意力和空间注意力完成信息的提炼。今天介绍的这篇文章也是来自CBAM团队，可以理解为空间注意力机制和通道注意力机制的并联，但是具体实现与CBAM有较大差别，虽然代码量相对而言比较大，实际表达的内容并不复杂。1. BAMBAM全程是bottlenect attention...

#pytorch#神经网络#深度学习
机器学习算法的优缺点

SVM（支持向量机）SVM的优点：1.在高维中表现良好。在现实世界中有无限维度(不仅仅是2D和3D)。例如，图像数据、基因数据、医学数据等具有更高的维数，支持向量机在这方面是有用的。基本上，当特征/列的数量较多时，SVM表现良好。2.类可分离时的最佳算法（当两个类的实例可以通过直线或非线性轻松分隔时）。为了描述可分离的类，让我们举个例子（这里以线性分离为例，通过绘制抛物线等，类也可以是非线性...

#机器学习#算法#人工智能
到底了