为什么要学习偏移而不是实际值？  Anchor已经粗略地“框住了”输入图像中的目标，明显的一个问题是：框的不够准确。因为受限于Anchor的生成方式，Anchor的坐标永远都是固定的那几个。所以，如果我们需要预测相对于Anchor的offset，那么，就可以通过预测的offset调整锚框位置，从而得到更精准的bounding box。为什么要学习偏移系数而不是偏移量？  因为w和h都是正数，而网络

1.做感受野分析，确定能够检测目标边长范围这一步得自己算。现成的网络都能搜到别人算好的结果，拿来直接用。2. 用最终特征图的尺寸反推训练样本图像的尺寸这一步也得自己算。有了目标边长范围，选择大于目标框最大边长2倍左右的训练样本图像的尺寸。3. 对原始样本图像进行旋转和成像效果变换增广这一步得写代码。目前广泛使用的正框样本库，旋转之后范围框更加不准，没得意义。如果自己要做样本记得一定要用倾斜范围框去

提高小目标检测精度的意义小目标检测具有重要的 研究意义和应用价值。对于机场跑道，路面上会存在微小物体，如螺帽、螺钉、垫圈、钉子和保险丝等， 精准地检测出跑道的这些小异物将避免重大的航空事故和经济损失。对于自动驾驶，从汽车的高分辨 率场景照片中准确地检测出可能引起交通事故的小物体是非常有必要的。对于工业自动化，同样需要小目标检测来定位材料表面可见的小缺陷。对于卫星遥感图像，图像中的目标，例如车、船，

SSD是One-stage系列的优秀算法之一one-stage的意思是挑选候选框和预测候选框两步是同时完成的，R-CNN家族都是two-stage。SSD有什么创新点？（1）基于Faster-RCNN的Anchor，提出了prior anchor（先验框）。（2）从不同比例的特征图中预测物体（多尺度预测），并明确长宽比分离预测。SSD的backbone是VGG，这一点和Faster R-CNN是相

对于CNN来说，一张图片经过conv和pooling时，这些层是不关心图片大小的。比如对于一个卷积层，output_size=(input_size - kernel_size)/stride+ 1,它并不关心输入图片的尺寸大小，但是经过若干次conv和pooling后，要经过flatten操作送入FC层中，此时我们得提前设置好hidden layer中神经元的个数，这一步需要考虑经过flatte

PyTorch进行气温预测需要CSV文件私聊###########————————————————————导包————————————————————————————————##############import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport torchimport torch.optim

Resnet，Densenet等神经网络中，常常采用add来连接特征层，Unet中常常采用concatenate。因为Unet是做图像分割的，图像分割是像素级分类，对特征的数量要求很高。而add是在一个特征上增加其语义信息，举个例子，一张脸，没有通过add话，你可能只会看到眼睛，通过add后你可以看见鼻子，眉毛，这样就可以增加置信度更好的判断这个人是谁，从而增加目标检测的准确率。这是博主的个人理解

在这里插入图片描述](https://img-blog.csdnimg.cn/direct/c263ea3db15547c6903838fba9683ebd.png)[在这里插入图片描述](https://img-blog.csdnimg.cn/direct/0f67372ff9454e6e9b67e0cbe71d2371.png)*小目标自身的纹理显著度有强弱区别，但是总体来说纹理特征都较弱，很

1. 模型是否欠拟合或者过拟合？我们都知道如果一个模型的参数量过大而且数据集量很少的时候，这样的模型很容易学的过拟合！！！所以在添加注意力module的时候一定要注意模型是否过拟合！因为大部分注意力module都是带有一定的参数！（1）如果添加attention前模型处于欠拟合状态，那么增加参数是有利于模型学习的，性能会提高。（2）如果添加attention前模型处于过拟合状态，那么增加参数可能加

OpenCVOpenCV是一个巨大的开源库，广泛用于计算机视觉，人工智能和图像处理领域。它在现实世界中的典型应用是人脸识别，物体检测，人类活动识别，物体跟踪等。任务现在，假设我们只需要从整个输入帧中检测到一个对象。因此，代替处理整个框架，如果可以在框架中定义一个子区域并将其视为要应用处理的新框架，该怎么办。我们要完成一下三个步骤：定义兴趣区在ROI中检测轮廓阈值检测轮廓轮廓线什么是ROI？简而言之