论文地址：https://arxiv.org/abs/1703.10593
生成对抗损失：
生成器G的目标是将X空间中的样本转化成Y空间中的样本，将学习X->Y的映射。
根据交叉摘损失，可以构造下面的损失函数
D为判别器，输出值[0,1]，Dy=1代表输出来自Y空间
引入生成器F，目标是将Y空间中的样本转化为X空间中的样本，学习Y->X的映射。
F的损失函数与G相似。
循环一致性损失：
最终的损失函数：
注：此文为阅读笔记，参考了其他的论文，博客，如有侵权请联系，我附上原出处。
版权声明：本文为CSDN博主「zxm_」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/zxm_jimin/article/details/121319657
近年来，目标检测的工程应用研究中，YOLO系列以快速响应、高精度、结构简单以及容易部署的特点备受工程研究人员的青睐。同时，YOLO系列存在需要手工设定样本正负导致模型泛化能力较差的问题。为了解决此类问题
实际目标检测回归任务中的Loss ● Smooth L1 Loss： ● L1、L2、Smooth L1作为目标检测回归Loss的缺点： 1）坐标分别计算：x、y、w、h分别回归
论文链接: https://arxiv.org/pdf/2103.10643v1.pdf. 前言 特征金字塔网络（FPN）是提取物体检测中的多尺度特征的有效框架。然而，基于FPN的方法主要遭受通道减
本文介绍 CVPR 2021 接收的目标检测论文 You Only Look One-level Feature。原论文作者来自：中科院自动化所、中科院大学人工智能学院、中国科学院脑科学与智能技术卓越创新中心、旷视科技。0 动机
暂无评论