目录前言目标检测近年里程碑深度学习目标检测1 R-CNN简介1.1 何为R-CNN?1.2 摘要2.Fast RCNN网络结构解析2.1 整体结构概览2.2 region proposals ---- selective search2.3 back bone --- AlexNet & vgg2.4 classfication --- SVM2.5 regression3.论文亮点4.

目录1. 早期loss计算（L1/L2/SMOOTH loss）2. IOU(Intersection over Union)3.GIOU(Generalized Intersection over Union)4. DIOU（Distance-IoU Loss）5.CIoU Loss (Complete-IoU Loss)1. 早期loss计算（L1/L2/SMOOTH loss）早期计算BBO

赛题描述本质其实就是基本的语义分割问题。基本目的熟悉比赛流程；以前就知道mask rcnn, 这次主要是为了更进一步了解语义分割；后续会熟悉一下阿里的DSW，不会白嫖的参赛者不是好码农；提升一下技能点，增加提分要点秘诀和代码实践能力；基本元素baseline参照阿水大佬提供的FCN改动版本：使用pytorch官方的语义分割模型fcn_resnet50，并且修改最后的classifier，添加自定义

目录前言1.简介1.1 YOLO由来1.2 摘要1.3 代码2.YOLO网络结构详解2.1 整体介绍2.2 主干网络2.3 分类和定位方法2.4 loss计算3.实验和评估4.Reference前言关于YOLO系列的初始作者–Joseph Redmon,说实话真的是个典型的米国白左，辣眼睛的CV，不知道的还以为是那个少女心泛滥的中二，祭出来镇楼：Joseph Redmon想立就立、想当就当，想退圈

（二）深度学习网络结构前馈网络：记忆网络：图网络：前馈网络：每一层中的神经元接收前一层神经元的输出，并输出到下一层神经元. 整个网络中的信息是朝一个方向传播，没有反向的信息传播，可以用一个有向无环路图表示前馈网络可以看作一个函数，通过简单非线性函数的多次复合，实现输入空间到输出空间的复杂映射. 这种网络结构简单，易于实现记忆网络：记忆网络，也称为反馈网络，网络中的神...

目录1.数据处理工具箱概述2. transforms的所有数据增强的api2.1 针对PIL image的处理2.1.1裁剪2.1.2 翻转和旋转2.1.3 图像变换2.1.4 对 transforms 操作，使数据增强更灵活2.2 针对 torch.*Tensor的处理2.2.1 标准化：transforms.Normalize2.2.2 线性变换：transforms.LinearTransf

目录代码参考环境安装docker预备知识过程详述结果预览ref：代码参考baseline使用yolov5相关训练调节笔记参见 链接环境安装注意：本地训练使用的是pytorch == 1.7环境，其他安装包参见require.txtdocker 中的 pytorch==1.4 （这个问题后续会说明）因为官方的yolov5.pt权重是使用torch==1.7以上的，所以使用其他版本torch加载的时候

有关anything相关的主流任务: 2d检测相关（AnyObject）, 3d检测相关（Any3D）,AI生成相关（AnyGeneration）, AI模型优化相关(), AI任务相关, etc.AnyObject - 分割、检测、分类、医学图像、OCR、姿态等。AnyGeneration - 文本到图像的生成、编辑、修复、样式转换等。Any3D - 3D 生成、分割等。AnyModel - 任

目录 1 R-CNN系列（1） R-CNN灵感来源：Selective search for object recognition（2） R-CNN开山之篇：R-CNN（3） R-CNN起承转合之笔：Fast R-CNN（4） R-CNN完全深度学习大成篇：Faster R-CNN 2 YOLO系列（5）YOLO系列最快的仔：YOLO V1（6）YOLO系列重要续作：YOLO V2（5）YOLO系

论文链接：https://arxiv.org/abs/1712.00726代码链接：https://github.com/zhaoweicai/cascade-rcnn目标检测一般是通过　iou (预测proposal与gt　bbox交并比)阈值，来进行正负样本的划分，一般会取0.5，这并不算高。iou阈值越高理论上应该和gt　bbox越接近，但是这样训练会导致检测效果的(检测指标，例如mAP)大