1 训练集和验证集def get_voc_datagen(train_img_path,train_label_path,val_img_path=None,val_label_path=None,num_class, batch_size, target_size):"""进行文件的读取和预处理:param train_img_path:训练集影像文件夹:param train_label_pa

python读取多波段遥感影像https://blog.csdn.net/weixin_36080474/article/details/113538235

目录1 R-CNN1.1 简介1.2 结构1.3 特点2 实现1 R-CNN1.1 简介1.2 结构1.3 特点2 实现

这里写目录标题一级目录一级目录

Faster R-CNN1 Faster R-CNN1.1 简介1.2 结构1.3 特点1.4 训练1.5 结果2 代码3 总结1 Faster R-CNN1.1 简介faster rcnn是何凯明等大神在2015年提出目标检测算法，该算法在2015年的ILSVRV和COCO竞赛中获得多项第一。该算法在fast rcnn基础上提出了RPN候选框生成算法，使得目标检测速度大大提高。在Fast R-C

YOLO（You Only Look Once）是一种基于深度神经网络的对象识别和定位算法，其最大的特点是运行速度很快，可以用于实时系统。现在YOLO已经发展到v5版本，不过新版本也是在原有版本基础上不断改进演化的，yolo1 原理1.1 基础知识1.2 yolo原理1.2.1 分类原理1.2.2 yolo0.1版本1.2.3 yolo0.5版本1.2.4 yolo0.8版本1.2.5 yolo1

就是卷积计算后得到的图层，是经过特征提取的，叫特征图。

1 背景2 基础知识汇总(23条消息) 深度学习基础知识（人工智能）_Java_rich的博客-CSDN博客https://blog.csdn.net/Java_rich/article/details/120701484?utm_medium=distribute.pc_relevant_t0.593797&depth_1-utm_source=distribute.pc_relevan

深度学习训练模型技巧1 训练过程经常遇到的问题1.1 损失值为nan1.2 训练效果差1.2.1 损失值很低，正确率很高，但miou很差1.2.2 损失值来回变，准确率或者miou忽大忽小1.2.3 损失值大于0.00011.3 识别效果差1.3.1 欠拟合1.3.2 过拟合1.3.3 样本类型太少1.4 速度慢1.4.1 没用gpu1.4.2 参数确实太多了2 学习率3 批次量4 其它一些超参数

输入图像大小尺寸不一致先来看一个问题：对于传统的CNN（如AlexNet和VGG），当网络训练好后输入的图像尺寸必须是固定值，同时网络输出也是固定大小的vector or matrix。如果输入图像大小不定，这个问题就变得比较麻烦。有2种解决办法：（1）从图像中crop一部分传入网络（2）将图像warp成需要的大小后传入网络两种办法的示意图如图14，可以看到无论采取那种办法都不好，要么crop后破