1.Faster R-CNN简介Faster R-CNN，论文名称：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks，原文链接同样使用VGG16作为网络的backbone，推理速度在GPU上达到5fps(包括候选区域的生成)，准确率也有进一步的提升。在2015年的ILSVRC以及COCO竞赛

文章目录数值特征1.字符串编码2.二值特征3.多项式特征4.连续指离散化本文特征1.基本预处理2.词袋模型3.常用文本特征构造方法TF-IDF 模型Similarity特征聚类特征主题模型词向量模型下面是做一个学习的归纳# 标签是字符的例子import pandas as pdimport numpy as npimport matplotlib.pyplot as plt%matplotlib

这里需要下载kitti的3D检测数据，从一个raw.githubusercontent.com的网站上进行wget下载txt文件，但是返回无法访问的错误。Connecting to raw.githubusercontent.com (raw.githubusercontent.com)|0.0.0.0|:443…1）通过ip查询网站（https://site.ip138.com/raw.Gith

文章目录1.YOLOv3简介2.YOLOv3改进1）backbone2）多尺度预测3）目标边界框的预测4）多标签分类3.YOLOv3损失函数1）目标置信度损失2）目标类别损失3）目标定位损失回顾前两个版本的yolo笔记：YOLOv1：目标检测算法——YOLOv1YOLOv2：目标检测算法——YOLOv2本文结合了几个博主的笔记，加上自己的一些理解归纳而成。其中比较多的参考了博主「太阳花的小绿豆」对

yolov1全称：You Only Look Once:Unified, Real-Time Object Detection，论文链接有博主将其进行了翻译，论文翻译：翻译链接YOLOv1也是目标检测网络中one steap的网络。在pascal voc2007的测试数据集的效果为63.4mAP，在448x448的图像上进行推理处理的时延为45FPS。SSD在pascal voc2007的测试数据

本文根据网络资料与原论文整合而成，参考资料见最下文章目录1. Introduction2. Visualizationpaper：R-FCN: Object Detection via Region-based Fully Convolutional Networks提出的动机：从平移不变与可变性方面的理解：作者分析了图片分类任务中需要CNN平移不变性 与 对象检测任务中需要的平移可变性的困境；作

文章目录1.SSD简介2.SSD网络结构1）Backbone2）Default Box3）Predictor3.SSD匹配准则4.SSD损失计算1）类别损失2）定位损失1.SSD简介SSD算法全称是 Single Shot MultiBox Detector，论文链接.摘要：在PASCAL VOC、COCO和ILSVRC数据集上的实验结果证实，SSD具有与利用额外目标建议步骤的方法竞争的准确性，而

安装标注软件：labelImg：生成xml文件labelme：生成json文件安装过程中出现了一个问题：根据指示：e:\anacanda\python.exe -m pip install --upgrade pip

"""目的：将原图片(img)与其xml(xml)，合成为打标记的图片(labelled)，矩形框标记用红色即可已有：（1）原图片文件夹(imgs_path)，（2）xml文件夹(xmls_path)思路：step1: 读取（原图片文件夹中的）一张图片step2: 读取（xmls_path）该图片的xml文件，并获取其矩形框的两个对角顶点的位置step3: 依据矩形框顶点坐标，在该图片中画出该矩形

以下内容如有错误，恳请指出以下先回顾一下之前的笔记总结：YOLOv1：目标检测算法——YOLOv1YOLOv2：目标检测算法——YOLOv2YOLOv3：目标检测算法——YOLOv3在前面的目标检测算法笔记中，已经介绍了YOLOv1，v2，v3的版本，其中本来还想记录一下YOLOv3的一些改进版本的，比如：YOLOv3-SPP，SlimYOLOv3， YOLOv3-SPP-Ultralytics。