cv

mask在不同任务中有不同的用法，分类的结果叫label。分割的结果叫mask。记录了分割结果真值，像素级别的分类标签。 图像分割里的情况 1，前背景分割这样一个二分类任务：mask就可以是(h,w,1)的二值图，1表示前景，0表示背景。

NMS 基本过程 当前的物体检测算法为了保证召回率，对于同一个真实物体往往会有多于 1 个的候选框输出。由于多余的候选框会影响检测精度，因此需要利用 NMS 过滤掉重叠的候选框，得到最佳的预测输出

使用yolov5官方框架检测一类物体 yolov5的官方框架可较好的对共80种类进行目标检测，本文介绍一种直接修改源代码来只检测一类物体的方法以及通用的方法（利用数据集训练自己的权重）。 一、直接修

看了下yolov4的作者给的操作说明，链接如下：https://github.com/AlexeyAB/darknet#how-to-compile-on-linux-using-make，有兴趣的可以

转载请备注原文出处，谢谢：https://blog.csdn.net/pentiumCM/article/details/118887321 CV — 目标检测：letterbox 一、相关概念 l

Feature Selective Anchor-Free Module for Single-Shot Object Detection 论文解读 前言 之前搭建的 HEXO 博客，年久失修，且经常不被百度爬虫

Paper Code Abstract DETR的提出免去了目标检测任务中许多人工组件的参与，同时又能保证较好的检测精度。但是DETR也存在着收敛过慢、特征空间分辨率有限的问题，Transformer自身的局限性

RCNN 系列发展历程 开山之作: RCNN RCNN 将 CNN 应用于特征提取，一举将 PASCAL VOC 数据集的检测率从 35.1% 提升到了 53.7%。RCNN 仍然延续传统物体检测的思想，将物体检

R-CNN 两大贡献：1.引入CNN 2.引入fine-tune的方法 Two-stage方法：1.Region Proposal 2.对区域内物体进行分类 trick：1.根据Iou对RP进行过滤

1. 简介 目标检测分为Two stage和One stage,只使用一个网络同时产生候选区域并预测出物体的类别和位置，所以它们通常被叫做单阶段检测算法（One stage）。本篇文章只讲One st