目标检测：RCNN、Fast RCNN、 Faster RCNN 基本思想和网络结构介绍

文章目录一、小样本目标检测简介二、小样本目标检测的方法2.1 基于微调的方法2.2 基于元学习的方法三、小样本目标检测现有的问题四、参考资料一、小样本目标检测简介小样本目标检测 FSOD（few-shot object detection)，是解决训练样本少的情况下的目标检测问题。通过应用较少的标注数据的半监督方法或者利用不完全匹配的标注数据的弱监督方法，利用极少的标注数据学习具有一定泛化能力的模

一、torch.Tensor1、torch.Tensor 的基本用法torch.Tensor 默认数据类型是 float32torch.LongTensor 默认数据类型是 int64数据类型转换可通过 t.int() 和 t.float()实现t.size(): 查看形状，与 t.shape 等价t.ndim: 查看维数t.numel(): 查看元素总数type(t): 查看数据结构类型t.dt

画出训练集图片的标注框

数据集格式转换：labelme格式转为coco格式

深度学习中的数据类型介绍：FP32, FP16, TF32, BF16, Int16, Int8 ...

目标检测：RCNN、Fast RCNN、 Faster RCNN 基本思想和网络结构介绍

提取出图片中的logo区域

YOLOv3 ，多尺度检测与特征融合

connectedComponentsWithStats()是一个非常好用的连通域分析函数，可以检测连通域，获取连通域的数量、每个连通域的面积、宽度/高度、质心和左上角顶点坐标等。