- 博客(84)
- 资源 (2)
- 收藏
- 关注
RSS订阅
原创 YOLOv4 目标检测详解【论文笔记 + pytorch实现 附.pth权重文件】
YOLOV4改进的部分：1、主干特征提取网络：DarkNet53 => CSPDarkNet532、特征金字塔：SPP，PAN3、分类回归层：YOLOv3（未改变）4、训练用到的小技巧：Mosaic数据增强、Label Smoothing平滑、CIOU、学习率余弦退火衰减5、激活函数：使用Mish激活函数以上并非全部的改进部分，还存在一些其它的改进。。。。...
2020-08-30 10:39:31
4501
2
原创 YOLOv3 损失函数详解【论文笔记 + pytorch实现 附.pth权重文件】
Contents1 前言2 Darknet-53网络结构3 输入图片Resize4 YOLOv3的损失函数4.1 真实框4.2 预测框4.3 具体的损失函数5 把需要的论文、代码和权重文件带走1 前言 个人感觉YOLOv3论文写的真的很随意，首先大家可以感受下。作者在Introduction中是这样开头的："Sometimes you just kinda phone it in for a year, you know? I didn’t do a whole lot of research
2020-08-20 20:52:39
4992
2
原创 Faster R-CNN 论文详解【论文笔记 + pytorch实现 附.pth权重文件】
Contents写在前面0 Abstract1 Introduction2 FASTER R-CNN2.1 RPN(Region Proposal Networks)2.1.1 Anchor2.1.2 损失函数2.1.3 训练RPNs2.2 RPN和Fast R-CNN共享特征2.3 实现细节3 汇总网络执行过程3.1 Conv layers3.2 Region Proposal Networks3.3 RoI pooling3.4 Classification3.5 TIPs4 pytorch实现写在前
2020-08-16 23:25:18
2421
2
原创 YOLOv1 论文详解【论文笔记 + pytorch实现 附.pth权重文件】
Contents1 绪论2 YOLO算法思想2.1 YOLO算法的大致流程2.2 YOLO算法的详细思路3 YOLO网络结构4 网络训练4.1 损失函数分析4.2 网络训练细节5 pytorch实现YOLOv11 绪论 Yolo算法是运用于目标检测的一种算法，其全称是You Only Look Once: Unified, Real-Time Object Detection，从该论文标题中即可体现出Yolo算法的特点：You Only Look Once指的是在预测时只需要对图片进行一次C
2020-08-13 22:04:55
4215
14
原创 pyTorch小函数积累【持续更新中······】
torch.mul() 和 torch.mm() 的区别：torch.mul(a, b)是矩阵a和b对应位相乘，a和b的维度必须相等；torch.mm(a, b)是矩阵相乘，a的列数必须等于b的行数；
2020-07-12 22:39:49
481
1
原创 【网络轻量化】模型剪枝——Deep compression
scrutiny 英[ˈskruːtəni]美[ˈskruːtəni]n. 仔细检查; 认真彻底的审查;[例句]His private life came under media scrutiny他的私生活受到媒体的密切关注。fetch 英[fetʃ]美[fetʃ]v. (去) 拿来; (去) 请来; 售得，卖得(某价);[例句]Sylvia fetched a towel from the bathroom西尔维娅去卫生间拿了一条毛巾。partition 英[pɑːˈtɪʃn]美[p
2021-02-03 22:42:20
1005
原创 【目标检测】One-Stage无痛涨点 —— ATSS
dissect 英[dɪˈsekt]v. 解剖(人或动植物); 仔细研究; 详细评论; 剖析; 把…分成小块;[例句]Her latest novel was dissected by the critics.评论家对她最近出版的一部小说作了详细剖析。结果表格we indicate that the essential difference betweenone-stage anchor-based detectors and center-based anchorfree detectors
2021-02-03 21:27:25
769
原创 【目标检测】Anchor Free —— OneNet（不需要NMS）
Contents0 写在前面1 Introduction2 Label Assignment3 实施细节4 最后的最后开始之前学习一个单词热热身：canonical 英[kəˈnɒnɪkl]adj. 被收入真经篇目的; 经典的;Some of the paintings were canonical, included in art-history books.有些画是经典的,收录在艺术史书中。0 写在前面 OneNet: End-to-End One-Stage Object
2021-02-02 22:59:59
930
原创 【目标检测】Anchor Free —— FCOS
Contents0 写在前面1 Introduction2 逐像素回归预测3 损失函数4 multi-level FPN prediction5 Center-ness6 最后的最后开始之前学习一个单词热热身：affirmative 英[əˈfɜːmətɪv]adj. 肯定的; 同意的; n. 肯定; 同意;[例句]She answered in the affirmative.In the sequel ——结果，后来0 写在前面 FCOS: Fully Convolut
2021-02-02 22:46:23
456
原创 【目标检测】—— Cascade R-CNN
Contents0 写在前面1 关于 mismatch 问题2 关于单纯增大训练时iou阈值问题3 Cascade结构4 Cascade类似的结构对比5 总结开始之前学习一个单词热热身：delve into 英[delv ˈɪntə]探索，钻研;She had started to delve into her father’s distant past.她开始探究她父亲久已逝去的岁月。0 写在前面 Cascade R-CNN Delving into High Quality
2021-02-02 22:45:28
556
原创 【目标检测】Anchor Free —— CenterNet
Contents0 写在前面1 Introduction2 CornerNet2.1 Overview2.2 Detecting corners2.3 Grouping Corners2.4 Corner Pooling2.5 Hourglass Network3 实现总结开始之前学习一个单词热热身：encompass 英[ɪnˈkʌmpəs]v. 包围; 围绕; 包含，包括，涉及(大量事物); 围住;[例句]The job encompasses a wide range of responsi
2021-01-30 23:51:29
247
原创 【目标检测】Anchor Free —— CornerNet
Contents写在前面1 Introduction2 CornerNet2.1 Overview2.2 Detecting corners2.3 Grouping Corners2.4 Corner Pooling2.5 Hourglass Network2.3 实现细节3 汇总网络执行过程3.1 Conv layers3.2 Region Proposal Networks3.3 RoI pooling3.4 Classification3.5 TIPs4 pytorch实现开始之前学习一个单词热热
2021-01-30 11:45:33
228
原创 【深度学习】各种各样的卷积形式
文章目录1、2D卷积2、3D卷积3、1×1卷积4、转置卷积（反卷积）5、Dilated Convolution （空洞卷积或扩张卷积）6、空间可分离卷积（没见用过）7、分组卷积8、深度可分离卷积9、可变形卷积10 对齐卷积 Alignment Convolution开始之前首先学习一个单词热热身：sibling 英[ˈsɪblɪŋ]n. 兄; 弟; 姐; 妹;1、2D卷积 把普通的卷积过程看作是在输入层中滑动一个三维filter。其中，输入层和filter具有相同的通道数。三维fil
2021-01-28 23:41:16
1417
原创 【数据结构】Leetcode——贪心算法 经典题
开始之前学习一个单词热热身： invigorating 英[ɪnˈvɪɡəreɪtɪŋ] adj. 提神的; 令人精力充沛的; 振奋精神的; v. 使生气勃勃; 使精神焕发; 使蒸蒸日上; 使兴旺发达;贪心的本质是选择每一阶段的局部最优，从而达到全局最优。贪心算法并没有固定的套路。说白了就是常识性推导加上举反例。贪心算法一般分为如下四步：将问题分解为若干个子问题找出适合的贪心策略求解每一个子问题的最优解将局部最优解堆叠成全局最优解1 分发饼干(455.
2021-01-17 23:17:47
498
原创 【数据结构】十大排序算法—— C++实现＜全＞
关于时间复杂度平方阶 (O(n2)) 排序 各类简单排序：直接插入、直接选择和冒泡排序。线性对数阶 (O(nlog2n)) 排序 快速排序、堆排序和归并排序；O(n1+§)) 排序，§ 是介于 0 和 1 之间的常数。 希尔排序线性阶 (O(n)) 排序 基数排序，此外还有桶、箱排序。关于稳定性稳定的排序算法：冒泡排序、插入排序、归并排序和基数排序。不是稳定的排序算法：选择排序、快速排序、希尔排序、堆排序。名词解释：n：数据规模k："桶"的个数In-place：占用常数内存，不占用额外
2020-12-28 14:40:35
803
2
原创 语义分割——UNet / UNet++【论文笔记】
Contents1 网络整体结构2 Key points2.1 Overlap-tile Strategy2.2 Decode中的上采样2.2.1 UnPooling2.2.2 UpSampling2.2.3 反卷积3 UNet++4 深度监督(Deep supervision)开始之前学习一个单词热热身：contracting收缩，缩小；（肌肉）收缩；感染（疾病）；论文地址：https://arxiv.org/pdf/1505.04597.pdf1 网络整体结构 UNet论文中对于
2020-12-24 21:09:46
1670
3
原创 【数据结构】Leetcode——回溯算法：排列问题/棋盘问题
1 全排列(46)题目： 给定一个 没有重复 数字的序列，返回其所有可能的全排列。示例：思路： 排列是有序的，即[1, 2] 与[2, 1]是两个不同的集合，故不需要参数startIndex参数了、 使用vector<bool>& used数组来标记集合中的元素是否使用过。class Solution {private: vector<int> path; vector<vector<int>>
2020-12-01 21:00:40
665
原创 【传统图像处理】1 数字图像基础
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结前言提示：这里可以添加本文要记录的大概内容：例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。提示：以下是本篇文章正文内容，下面案例可供参考一、pandas是什么？示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。二、使用步骤1.引入库代码
2020-11-07 20:34:13
641
原创 【数据结构】Leetcode——回溯算法：组合问题/分割问题
回溯法解决的问题都可以抽象为树形结构（N叉树），回溯法的搜索过程就是一个树形结构的遍历过程。1 组合(77)题目：给定两个整数 n 和 k，返回 1 … n 中所有可能的 k 个数的组合。示例：思路：（图片来源：代码随想录）本题符合"组合问题"，即N个数里面按一定规律找出k个数的集合。按照回溯算法模板框架：① 终止条件题目需返回k个数的集合，则当存储子集的size等于k时，达到终止条件，应该返回；② 单层搜索过程如图中，for循环用于横向遍历，递归用于纵向遍历；定义一个参数star
2020-11-06 14:54:38
499
原创 损失函数——长尾分布 / Equalization Loss【论文笔记】
without bells and whistles深度学习论文中经常能看到这句话： without bells and whistles英语本意是花哨的事物，翻译成中文即为经常说的花里胡哨的东西在深度学习中，通过用别人的backbone，然后加上自己发明的部件，通过消融性实验，证明自己的部件能够对现有网络有所增幅，即没有通过各种各样的tricks，比如数据集、调整各种超参数等就可以达到很好的效果。所以自己发明的部件产生的增益是必然，而不是偶然。长尾分布：如上图在Head部分中，包含的少部分类别范
2020-10-24 14:33:25
6018
3
原创 【数据结构】Leetcode——哈希表 经典题
hash 英[hæʃ]美[hæʃ]n. (回锅) 肉丁土豆; (尤指电话上的) #号;v. 反复推敲; 仔细考虑; 把……弄糟（乱）; 斩碎; 斩（肉）; 剁（肉）; 细切（肉）;[例句]The Government made a total hash of things and squandered a small fortune...
2020-10-13 22:21:22
1700
原创 【数据结构】Leetcode——二叉搜索树 经典题
开始之前学习一个单词热热身： freebie 英[ˈfriːbi] n. (常指公司提供的) 免费品;二叉查找树（BST）：根节点大于等于左子树所有节点，小于等于右子树所有节点。二叉查找树中序遍历有序。DP是玄学 递归也是玄学1 修剪二叉搜索树(669)题目：给定一个二叉搜索树，同时给定最小边界L 和最大边界 R。通过修剪二叉搜索树，使得所有节点的值在[L, R]中 (R>=L) 。你可能需要改变树的根节点，所以结果应当返回修剪好的二叉搜索树的新的根节点。示例：.
2020-09-28 19:45:01
545
原创 【数据结构】Leetcode——遍历树 经典题
深度优先遍历前序遍历（递归法，迭代法）中序遍历（递归法，迭代法）后序遍历（递归法，迭代法）广度优先遍历层次遍历（迭代法）「这里前中后，其实指的就是中间节点的遍历顺序」，只要大家记住 前中后序指的就是中间节点的位置就可以了。看如下中间节点的顺序，就可以发现，中间节点的顺序就是所谓的遍历方式前序遍历：中左右中序遍历：左中右后序遍历：左右中前中后序遍历的逻辑其实都是可以借助栈使用非递归的方式来实现的。而广度优先遍历的实现一般使用队列来实现，这也是队列先进先出的特点所决定的，因为需要先进先出
2020-09-25 22:26:25
910
1
原创 轻量化网络—— ShuffleNet_v2【论文笔记】
文章目录1 前言2 神经网络计算复杂度衡量方式2.1 FLOPS / FLOPs3 开始之前首先学习一个单词热热身： shuffle 英[ˈʃʌfl] v. 拖着脚走; (笨拙或尴尬地) 把脚动来动去; 坐立不安; 洗(牌); n. 拖着脚走; 洗牌; 曳步舞;1 前言论文链接：https://arxiv.org/abs/1807.11164v1 ShuffleNet V2是2018年提出的，它是对于ShuffleNet V1的改进，主要
2020-09-24 09:04:11
510
原创 轻量化网络—— ShuffleNet_v1【论文笔记】
shuffle 英[ˈʃʌfl]v. 拖着脚走; (笨拙或尴尬地) 把脚动来动去; 坐立不安; 洗(牌);n. 拖着脚走; 洗牌; 曳步舞;
2020-09-23 15:28:31
316
原创 【数据结构】Leetcode—— 树 递归经典题
1. 树的高度（104）题目： 给定一个二叉树，找出其最大深度。 二叉树的深度为根节点到最远叶子节点的最长路径上的节点数。思路： 若使用递归版本，它的递归基应为当节点为空时，返回0； 若使用迭代版本，借助队列对树进行层次遍历，最后返回层数即可。class Solution {public: int maxDepth(TreeNode* root) { /* 递归版本 两行搞定 if(!root) return 0
2020-09-21 14:15:08
516
原创 【数据结构】Leetcode——栈与队列经典题
Contents1.用栈实现队列(232)2.用队列实现栈(225)3.最小值栈(155)4.用栈实现括号匹配(20)5. 单调栈 / Next Greater Element(739) / 循环数组5.1 数组中元素与下一个比它大的元素之间的距离(739)5.2 循环数组中比当前元素大的下一个元素(503)6 返回数组中滑动窗口的最大值 / 单调队列 / 双端队列(239)开始之前学两个单词热热身：naive [naɪˈiːv] adj. 缺乏经验的; 幼稚的; 无知的; 轻信的; 天真的
2020-09-16 15:13:57
362
原创 轻量化网络—— MobileNet_v3【论文笔记】
开始之前首先学习一个单词热热身：discernible [dɪˈsɜːnəbl]adj. 看得清的; 辨别得出的;论文链接：https://arxiv.org/pdf/1905.02244.pdf文章目录前言一、MobileNetV3的相关技术1.1 squeeze and excitation（SE）结构1.2 激活函数 h-swish(x)1.2.1 swish1.2.2 h-swish1.3 网络结构搜索NAS1.4 对MobileNetV2最后阶段的修改二、使用步骤1.引入库2.
2020-09-14 12:16:42
1364
原创 轻量化网络—— MobileNet_v2【论文笔记】
文章目录前言一、创新改进的结构1.1 Linear bottleneck1.2 Expansion layer1.3 Inverted residuals二、MobileNetV2结构2.1 MobileNetV2网络块2.2 MobileV1与V1网络块的比较2.3 MobileNetV2网络结构总结 开始之前首先学习一个单词热热身：tailored [ˈteɪləd] adj. 订做的; 合身的; 特制的; 专门的; v. 专门制作; 订做;前言论文链接
2020-09-13 19:52:23
303
原创 轻量化网络—— MobileNet_v1【论文笔记】
文章目录前言一、深度可分离卷积二、参数量及计算成本量化三、 MobileNetV1四、两个超参数α、ρ4.1 Width Multiplier(α): Thinner Models4.2 Resolution Multiplier(ρ): Reduced Representation 开始之前首先学习一个单词热热身： ubiquitous [juːˈbɪkwɪtəs] adj. 似乎无所不在的; 十分普遍的前言 MobileNet 由谷歌在 2017 年提出，是一款专注
2020-09-12 22:22:35
310
原创 【数据结构】—— 列表 / 链表
Contents1 向量、列表与链表1.1 向量vector1.2 列表1.3 列表是链表的一般化推广2 ListNode模板类3 List对象4 无序列表5 有序列表6 列表排序6.1 插入排序 insertion sort6.2 选择排序 selection sort6.3 归并排序 自学 邓俊辉《数据结构（C++语言版）》第三章——列表，且结合Leetcode题库进行简单练习。Leetcode习题分类可参考此github???? ???? ???? ???? ???? ???? ????
2020-09-12 16:08:44
603
原创 【数据结构】Leetcode——链表经典题
Contents1 找出两个链表的交点 （160）2 链表反转 （206）3 归并两个有序的链表 （21）4 从有序链表中删除重复节点（83）5 删除链表的倒数第 n 个节点(19)6 交换链表中的相邻结点 (24)7 链表求和(445)8 回文链表(234)9 分隔链表(725)10 链表元素按奇偶聚集(328)Leetcode习题分类可参考此github，以下为数据结构中链表经典练习题，欢迎修改讨论。1 找出两个链表的交点 （160） 题目：编写一个程序，找到两个单链表相交的起始节点。
2020-09-12 16:06:01
284
原创 轻量化网络——Ghost【论文笔记】
ghostnet中用到的SEblock结构：Sequeeze-and-Excitation(SE) block并不是一个完整的网络结构，而是一个结构快，可以嵌入到其他神经网络模型中。SEblock的核心思想在于通过网络根据loss去学习特征权重，使得有效的feature map权重大，无效或效果小的feature map权重小的方式训练模型达到更好的结果。SEblock的工作就是将上图中左边的X特征图经过一系列运算得到上图中右边彩色的x̅，可将整个运算过程分为四步，接下来结合论文中的公式对这四个步骤做
2020-09-05 14:55:19
3404
原创 目标检测——数据增强处理【Data Agumentation + Mosaic】
Contents1 普通数据增强方法1.1 图片的RGB和HSV格式介绍1.1.1 RGB格式1.1.2 HSV格式1.2 普通数据增强结果及代码2 Mosaic数据增强2.1 Mosaic数据增强的过程2.2 实现代码1 普通数据增强方法 使用数据增强方法对于训练神经网络非常有帮助，可以对有限的数据集进行扩增，增加神经网络的鲁棒性。相比于再去获得更多标记好的数据集，数据增强降低了数据及获取的成本，这是一种廉价且有效的数据预处理方法。 普通数据增强方法，即对于一张图片进行一些类似于在各
2020-08-22 19:50:10
2714
3
原创 YOLOv2 论文详解【论文笔记】
Contents1 绪论2 Better3 Faster（从网络框架角度）4 StrongerYOLOv2的论文全名为YOLO9000: Better, Faster, Stronger，是对于yolov1的改进。YOLOv1论文总结点这里：YOLOv1 论文详解【论文笔记 + pytorch实现 附.pth权重文件】1 绪论 这篇论文的主要工作有：使用一系列的方法对YOLOv1进行了改进，在保持原有检测速度的同时提升精度得到YOLOv2；提出了一种目标分类与检测的联合训练方法，同时在
2020-08-18 19:55:54
2868
原创 目标检测R-CNN系列算法改进对比总结
Contents1 R-CNN2 SPPNet3 Fast R-CNN4 Faster R-CNN5 三种目标检测神经网络对比说明 在RCNN系列算法提出之前，目标检测是基于滑动窗口的方法。在图片上，选择大小适宜的窗口、合适的步进长度，进行从左到右、从上到下的滑动来遍历整张图片。每个窗口区域都送入CNN模型进行识别。滑动窗口目标检测方法明显的缺点是计算成本高。其中滑动窗口的大小、步幅是由人来设定。若窗口选择过大且步幅过大，可能会出现滑动窗不能完全覆盖目标的问题（如下图蓝色方框），会降低目标检测正确
2020-08-18 18:39:00
2345
原创 numpy库函数积累【持续更新中······】
1 np.mgrid()z = np.mgrid[1:5:4j, 1:3:3j]np.mgrid输出返回一个三维向量；其中的元素z[0]、z[1]都是二维矩阵；表示1:5切片均匀取数，取4个；1:3切片均匀取数，取3个1 np.meshgrid()# 生成网格点坐标矩阵np.meshgrid(np.arange(-5.5, 1.0, 0.1), np.arange(-3.0, 1.0, 0.1))表示该网格点的横坐标、纵坐标范围及步长。...
2020-08-14 11:37:14
147
原创 UserWarning: This overload of nonzero is deprecated: nonzero()
pytorch中的nonzero()函数报错描述UserWarning: This overload of nonzero is deprecated:nonzero()Consider using one of the following signatures instead:nonzero(*, bool as_tuple) (Triggered internally at …\torch\csrc\utils\python_arg_parser.cpp:766.)ids = (ovr &
2020-08-12 16:41:28
6391
原创 FPN特征金字塔 完整详解 【论文笔记】
Contents1 Introduction2 FPN网络2.1 自底向上2.2 自顶向下2.3 横向连接3 总结4 FPN网络 pytorch代码1 Introduction 论文地址：Feature Pyramid Networks for Object Detection 原来多数的目标检测算法仅仅根据最终的特征图输出做预测，而低层的特征语义信息比较少但目标位置准确；高层的特征语义信息丰富但目标位置粗略。识别不同尺寸的目标一直是目标检测的难点，尤其是小目标！ 以VGG1
2020-08-09 22:41:35
6598
1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人