MobileNet系列(2)：MobileNet-V2 网络详解

由组成：100 万个 LiDAR 帧，700 万个相机图像 200 平方公里的驾驶区域，144 个驾驶小时 15k 个完全注释的场景，分为 5 个类别（汽车、公共汽车、卡车、行人、骑自行车的人） 多样化的环境（白天/夜晚、晴天/雨天、城市/郊区）。包括跨不同季节，天气条件和一天中不同时间的传感器数据或“日志段”的记录，以提供广泛的实际驾驶场景。nuPlan是世界上第一个自动驾驶的大规模规划基准，虽

加权平均法通常能够稳定获得精度与召回的提升。定位优先法，方差加权平均法与自适应阈值法需要修改模型，不够灵活。中心点距离法可作为额外惩罚因子与其他NMS变体结合。得分惩罚法会改变box的得分，打破了模型校准机制。运算效率的低下可能会限制它们的实时应用性。

原文博客：Doi技术团队链接地址：https://blog.doiduoyi.com/authors/1584446358138前言Tensorflow2之后，训练保存的模型也有所变化，基于Keras接口搭建的网络模型默认保存的模型是h5格式的，而之前的模型格式是pb。Tensorflow2的h5格式的模型转换成tflite格式模型非常方便。本教程就是介绍如何使用Tensorflow2的Keras

OpenCV安装配置1.1 安装OpenCV SDK在opencv的官网中下载android sdk，我这边下载的是opencv-4.3.0

概要目标检测项目的主要步骤如下：搭建虚拟环境采集图像并打标训练预测模型的保存和转换调优项目部署1. 搭建虚拟环境步骤1： 创建虚拟环境创建文件夹TFODCourse,并在该目录下安装虚拟环境cd TFODCoursepython -m venv tfod步骤2： 激活虚拟环境LInux 环境source tfod/bin/activateWindows环境.\tfod\Scripts\activa

CUDA NMS与Torchvision NMS稍快于以上三种基于pytorch实现的NMS，但比较死板，改动不易。Cluster NMS基本可以取代Fast NMS，且与其他提升精度的方法的有机结合，使它又快又好。(目前作者团队的代码库只提供了得分惩罚法，+中心点距离，加权平均法三种。Matrix NMS也可以参考Cluster NMS的方式先得到一个与Traditional NMS一样的结果后

它们都参考了FCOS的做法，将目标检测中anchor-free的思想，迁移到了实例分割的任务上。网络的具体细节不会展开讲，这里只会说到他们在解决实例分割任务时，在FCOS的整体架构上做了哪一些调整。首先讲到的是CenterMask，把这个放在最前面是因为他的想法非常直接，这个结构可以理解成 FCOS + MaskRCNN 的 mask的分支。我们可以将它和FCOS做一下对比，输入图像通过 FCOS

​知识蒸馏，近年来越来越受到研究界的关注。大型深度神经网络取得了显著的成功，特别是在大规模数据的真实场景中，因为当考虑新数据时，过度参数化提高了泛化性能。然而，由于移动设备的算力和存储受限，在这些设备中部署DNN模型是一个巨大的挑战。为了解决这个问题，Bucilua等人（2006）首次提出了模型压缩，将信息从大模型或集成模型转移到训练的小模型中，并且不会显著导致精度下降。从大模型中学习小模型的方法

框架公司支持硬件特性TensorFlow LiteGoogle 2017Google 2017CPU GPU: android基于OpenGL, IOS基于MetalCore MLApple 2017Google 2017CPU GPU: android基于OpenGL, IOS基于MetaCaffe2Facebook 2017IOS,Android CPUGPU暂无资料，针对具有NEON指令的A