MPSR的要点讲解
主体的faster rcnn结构不变，新增加一个分支，新分支的输入是提取的经过图像金字塔处理有偏移的目标方形框，人工地将裁剪的目标的不同尺度与FPN的不同级别进行对应。然后通过损失函数对分类和前背景进行调整。（如下图，如32*32的目标图像，RPN这一支激活FPN的P2，上图中的上边一个分支，RoI这一分支激活FPN的P2，上图中的下边一个，然后得到的结果参数最后的损失计算，用于refine结果。）
Refinement Branch分支和faster rcnn分支的FPN共享参数。
版权声明：本文为CSDN博主「暄染落墨」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_36136196/article/details/121938659
两个关于yolo-fastest的资料 https://github.com/dog-qiuqiu/Yolo-FastestV2/ https://github.com/dog-qiuqiu/Yolo-Fastest
1. 引言 最近整理了YOLO系列相关论文阅读笔记,发现仅仅靠阅读论文还是有很多内容一知半解,吃得不是很透彻. 尽管网络上有很多博客都在讲解,但是很多实现细节细究起来还是有些困难. 俗话说的好: Talk is cheap. Show me
学了蛮久的目标检测了，但是有好多细节总是忘或者模棱两可，感觉有必要写博客记录一下学习笔记和一些心得，既可以加深印象又可以方便他人。博客内容集成自各大学习资源，所以图片也就不加水印了
voc数据集构建文件 import sys import xml.etree.ElementTree as ET import config.yolov3_config_voc as cfg import os from tqdm impor
暂无评论