目标检测

低秩近似分解卷积以及超强激活函数 论文地址：https://arxiv.org/abs/2011.12289 论文提出应对极低计算量场景的轻量级网络MicroNet，包含两个核心思路Micro-Factorized

1. 损失的特殊性 先说说YOLOV5的损失：一般检测的损失分为分类损失和回归损失。 一般的检测算法： 回归损失只有正样本有分类损失的标签直接就非1即0，正样本的标签是1，负样本的标签

VOC格式标签转换为yolo格式的标签 xml -> txt # _*_ coding:utf-8 _*_ import xml.etree.ElementTree as ET import pickle import os from os

一、监督学习分类 根据数据集的标注情况，分为：监督学习、弱监督学习、弱半监督学习和半监督学习。 监督学习：数据集为带实例级标注的标签，包含坐标和类别信息 弱监督学习：数据

概述和常用数据集 0.概述 要有分类网络相关基础知识 目标检测分为两类： One-Stage,Two-Stage 1.Two-Stage: Faster R-CNN ​ 1）通过专门模块去生成候选框&#xff

前言 这篇论文的原题目叫《Orthogonal Subspace Projection Using Data Sphering and Low-Rank and Sparse Matrix Decomposition for Hyperspe

参考链接： https://blog.csdn.net/qq_34562093/article/details/81569801 https://blog.csdn.net/Chunfengyanyulove/article/de

概述 LightWeightHumanPose是英特尔于 2018 年 11 月发布的姿势估计模型，可同时高速检测多人。即使在 CPU 上，它也针对快速推理进行了优化。 该检测模型可应用于手势和动作检测与识别、动作捕捉和运动分析。 模型架

这篇文章主要讲怎样使用YOLOv4算法作者提供的YOLOv4源码来训练自己的数据集 运行环境的搭建和源码的测试可以参考我的上一篇文章Windows10YOLOv4Darknet训练自己的数据（一） 一、数据集制作

YOLOV1 1. Introduction YOLO非常简单：对于一张完整的图像，通过一个单一的卷积网络可以同时预测多个bounding boxes的回归参数和这些boxes的类别概率，并直接优化检