Feature Pyramid Networks
对于Faster Rcnn使用FPN，cocoAP提升2.3个点，pascalAP提升3.8个点
1*1的conv，调整通道数，原论文中的1*！的卷积核个数为256，即最终得到的特征图的channel都等于256.
2倍上采样，7*7变成14*14，代码中是邻近插值算法
此处参考：
https://www.bilibili.com/video/BV1dh411U7D9?spm_id_from=333.999.0.0
版权声明：本文为CSDN博主「我真帅66」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/qq_53029963/article/details/122400943
YOLO V4 — 网络结构和损失函数解析（超级详细！） - 知乎1.前言最近用YOLO V4做车辆检测，配合某一目标追踪算法实现 车辆追踪轨迹提取等功能，正好就此结合论文和
论文：Learning Spatial Fusion for Single-Shot Object Detection. Songtao Liu,Di Huang,Yunhong Wang 摘要 金字塔特征表示是解决目标检测中尺
代码链接 paper链接 个人博客 问题 本文首先提出了一个目前一阶目标检测器存在的普遍问题就是在head部分将分类和定位这两个任务并行的来做了。这样的话就存在两个任务之间不对齐的问题。因为两个任务是的目标不一样。分类任务更加关注目标的
摘要 最近的研究表明，良好的特征嵌入是获得良好的学习性能的关键。我们观察到具有不同交并比(IoU)分数的目标候选框类似于对比方法中使用的图像内增强。 我们利用这种类比，并结合监督对比学习，以实现更稳健
暂无评论