本文是自己在b站视频讲解学习，并且查阅理解许多文章后，做的通俗理解与总结，欢迎评论交流。yolov3检测分两步：1、确定检测对象位置2、对检测对象分类（是什么东西）即在识别图片是什么的基础上，还需定位识别对象的位置，并框出。我们首先上一幅图宏观理解下图中的红框是通过在yolov3检测最后得出的（bounding box），又如下图的黄色框也是yolov3处理图片过程如下。

VGG16分类因资源有限只能调用训练好的模型进行图像预测相关代码# 1.读取图片plt.show()plt.show()# 根据输出结果预测标签的后处理类的编写。

无论是前景类还是背景类， p t p_t pt​ 越大，权重 ( 1 − p t ) γ (1-p_t)^{\gamma} (1−pt​)γ 就越小，即简单样本的损失可以通过权重进行抑制；α t \alpha_t αt​ 用于调节正负样本损失之间的比例，前景类别使用 α t \alpha_t αt​ 时，对应的背景类别使用 1 − α t 1-\alpha_t 1−αt​;γ \gamma γ 和

本文受EfficientNet的启发，提出了一种用于目标检测模型的复合尺度变换方法，不仅可以同时对分辨率、网络深度、网络宽度三个维度进行统一缩放，而且可以对目标检测模型中的骨干网络、特征网络、分类/回归预测网络中的上述三个维度进行统一缩放。 此外，本文还提出了一种新的加权双向特征金字塔网络（bi-directional feature pyramid network，BiFPN），可以简单快速地进

MoCo于2019年11月13在 CVPR发表，并获得 CVPR2020最佳论文提名，它是用一种对比学习的方式进行无监督训练的模型。MoCo是第一个在很多主流的机器视觉领域上（比如分类、检测、分割、人体关键点检测等），都超越了有监督预训练模型的无监督模型，从某种程度上证明了无监督学习在机器视觉领域，也能达到很好的效果。MoCo这个词，来自于论文标题的前两个单词动量对比Momentum Contra

Jordan网络可以得到比较好的性能，因为Elman网络的隐藏层是没有target的，比较难控制它学到了什么信息，但是Jordan网络的输出y是有target的，可以对放在memory中的是什么东西比较清楚的。用双向RNN的好处，就是网络产生输出的时候，看的范围比较广。如果只有正向的RNN，在产生yt+1yt+1的时候，网络只看过x1x1一直到xt+1xt+1，但是如果是双向的RNN，在产生yt+

无论是前景类还是背景类， p t p_t pt​ 越大，权重 ( 1 − p t ) γ (1-p_t)^{\gamma} (1−pt​)γ 就越小，即简单样本的损失可以通过权重进行抑制；α t \alpha_t αt​ 用于调节正负样本损失之间的比例，前景类别使用 α t \alpha_t αt​ 时，对应的背景类别使用 1 − α t 1-\alpha_t 1−αt​;γ \gamma γ 和

VGG16分类因资源有限只能调用训练好的模型进行图像预测相关代码# 1.读取图片plt.show()plt.show()# 根据输出结果预测标签的后处理类的编写。

SSD模型在2016年由Wei Liu等人提出，并迅速成为对象检测领域的重要工具。随着深度学习技术的不断发展，SSD在许多应用中被广泛使用，如自动驾驶、视频监控、智能安防等。SSD（Single Shot MultiBox Detector）是一种用于对象检测的深度学习神经网络架构。它主要用于在图像中检测和识别多个对象，同时预测这些对象的类别和位置。SSD在速度和精度之间达到了很好的平衡，使其成为