anchor字面意思是锚，指固定船的东东，anchor在计算机视觉中有锚点或锚框，目标检测中常出现的anchor box是锚框，表示固定的参考框。早期深度学习方法都要金字塔多尺度+遍历滑窗的方式，逐尺度逐位置判断"这个尺度的这个位置处有没有认识的目标"，非常笨重耗时。近期顶尖(SOTA)的目标检测方法几乎都用了anchor技术。首先预设一组不同尺度不同位置的固定参考框，覆盖几乎所有位置和尺度，每个

在迁移学习中，将训练好的模型用在其他地方上，当需要对模型的参数进行修改，可按照如下代码进行操作：path = "/media/FASTSCNN/lanenet_epoch_227_batch_8.model"#训练好的模型state_dict2 = {"module."+k: v for k, v in torch.load(path).items()}#此处是在原本模型的参数名的基础上，多加"m

当右键点击运行代码时，出现下面的错误提示：Cannot run program “D:/Anconda3/envs/LSTR2/python.exe” (in directory “/media/gooddz/学习/code/论文代码/LSTR-main”): error=2, 没有那个文件或目录解决方法：点击在if name == ‘main’:的左边绿色三角形，修改运行配置，python解析器

OpenVINO是英特尔基于自身现有的硬件平台开发的一种可以加快高性能计算机视觉和深度学习视觉应用开发速度工具套件，本文以图像分类的案例手把手叫你如何使用OPENVINO

首先要了解二分类、多分类和多标签分类

全连接神经网络的两大缺陷:(1)在原理方面上：BP神经网络仍然是有监督的传统机器学习方法根据上图可知，网络对原图进行特征提取和分类，最后由人工标注好的标签判断原图中是否存在猫。（2）在结构方面上：参数居多，容易丢失空间信息如果一个隐藏层特征图像大小为100×100，输入层的特征图像大小为100×100，这意味着学习这一层需要100×100×100×100=108108的参数。如果以32位的浮点数进

转载深度和宽度是深度神经网络的两个基本维度，分辨率不仅取决于网络，也与输入图片的尺寸有关。对于深度和宽度，以及他们对网络性能的影响，这篇博客有介绍：深度学习网络的宽度和深度怎么理解，增加宽度和深度对网络模型有什么影响？简单总结就是：深度——神经网络的层数更深的网络，有更好的非线性表达能力，可以学习更复杂的变换，从而可以拟合更加复杂的特征，更深的网络可以更简单地学习复杂特征。网络加深会带来梯度不稳定

图像金字塔图像金字塔结构，即对图像进行一定比例的缩放，从而得到一系列不同尺寸的样本图像序列，在缩放过程中一般采用线性差值等方法，在缩放的同时可以加入滤波、模糊等处理，常见的形式有：高斯金字塔(Gaussianpyramid): 用来向下采样，主要的图像金字塔。拉普拉斯金字塔(Laplacianpyramid): 用来从金字塔低层图像重建上层未采样图像，在数字图像处理中也即是预测残差，可以对图像进行

多尺度图像预测将图片进行不同尺度的缩放，得到图像金字塔，如果对每层图片提取不同尺度的特征，得到特征图。最后对每个尺度的特征都进行单独的预测。特点：不同的尺度的特征都可以包含很丰富的语义信息，精度高，但是速度慢。2.金字塔特征预测将输入的图片转变成feature map，在feature map层面上来进行尺度变换，采用不同的方法进行不同尺度特征的融合，以实现多尺度检测。2.1 FPN特征金字塔网络

SOTA也就是state-of-the-art，翻译为体现最高水平的。若某篇论文能够称为SOTA，就表明其提出的算法（模型）的性能在当前是第一名。参考链接:https://blog.csdn.net/haha0825/article/details/103349130/