目标检测：给你一张只有一条狗的图片，输入训练好的模型中（假设模型包含了所有类型的狗），不管狗出现在图片中的哪个位置，它都能被检测为狗；给你一张有两条狗的图片，输入网络，会生成两个bbox，均被检测为狗，无法进行个体的区分。
语义分割：对所有像素进行分类，图片中只要出现狗，都会被分为一类，同样无法进行个体的区分。
实例分割：在所有不同类的狗的像素都被分类为狗的基础上，对不同类的狗进行目标定位，再给上狗1和狗2的标签，这就是实例分割。
版权声明：本文为CSDN博主「剑走偏锋777」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/MUYEFENX/article/details/121872114
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
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 前言 【个人学习笔记记录，如有错误，请指正！】 一、锚框 理解锚框之前，我们需
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
暂无评论