首页 » 机器视觉 » 正文
机器视觉

目标检测 （单阶段 无锚框 实例分割 评估）

单阶段

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

无锚框目标检测算法

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

小结

在这里插入图片描述
在这里插入图片描述

实例分割

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

评估

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

目标检测mAP计算

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
AP=map的均值
在这里插入图片描述

版权声明：本文为CSDN博主「ChunyeLi」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/sinat_32512123/article/details/121593084

标签：
点赞 0

ChunyeLi

我还没有学会写个人说明！

暂无评论

发表评论

相关推荐

Meta-DETR | 图像级“元”学习提升目标检测精度
机器视觉 2025-12-18

Meta-DETR | 图像级“元”学习提升目标检测精度

计算机视觉研究院专栏作者：Edison_GOne-shot目标检测旨在通过几个标注的样本来检测新的目标。之前的工作已经证明了元学习是一个很有前途的解决方案，它们中的大多数基本上是通过解决在区域上的元学习检测来进行分类

AP AR mAP ROC AUC（目标检测）
机器视觉 2025-12-17

AP AR mAP ROC AUC（目标检测）

禁止转载！在做目标检测任务的时候，通常会制定规则来评估性能，就如下图所示，后面会慢慢道来其中的原理。 混淆矩阵中 TP、TN、FP、FN
在目标检测中，通常以IoU阈值作为

瑕疵检测（深度学习）
机器视觉 2025-12-17

瑕疵检测（深度学习）

与通用目标检测的区别
相较与整张图片瑕疵区域的占比一般非常小，Faster R-CNN等检测模型对小物体检测不够好
深度学习从低层到高层不断去提炼高层语义信息，层数的增大细节的信息丢失得越多，对于缺

分享到：