深度学习

前言 根据缺陷检测的三个阶段其方法大致可以分为三类分别是分类网络、检测网络、分割网络。 1. 分类网络 由于CNN强大的特征提取能力, 采用基于CNN的分类网络目前已成为表面缺陷分类中最常用的模式一般来说,现有表面缺陷分类的网络常常采用计

YOLO系列 首先先说一下目标检测之one-stage和two-stage网络是什么意思？有什么区别？ 刚开始看目标检测的时候总能看见单阶段（one-stage）和两阶段（

背景 小目标效果差的原因：只对backbone最后一层的feature map进行rpn，最后这个map细节信息丢失严重。 SSD模型 步距为2时，padding为1，步距为1的时候&

搜集整理了遥感中常用的目标检测数据集，方便自己也方便大家用。1.DOTA A Large-scale Dataset for Object Detection in Aerial Images。2806张遥感图像（

yolo3是如何构想的 并且网络结构是什么样的 论文地址：https://pjreddie.com/media/files/papers/YOLOv3.pdf yolov3在yolov1和v2的基础上进行了改进，如

1. 拉取代码 git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt 2. 模型测试 import torch#

计算机视觉研究院专栏作者：Edison_G公众号ID｜ComputerVisionGzq学习群｜扫码在主页获取加入方式源码获取｜扫码回复“GWD”获取源码边界不连续及其与最终检测度量的不一

这是CVPR2021的一篇论文 开放世界目标检测： 在没有提供相关监督的情况下将无法分类的目标检测出来标记为unknown 能够在后续提供这些标签时，不忘记之前的类别同时渐进地学得这些unknown的类别 其实质

1. UC  Merced  Land-Use（用于土地利用研究的可见光遥感图像数据集，图片取自USGS National  Map  Urban  Area  Imagery系列） 2.NWPU V

参考文章： 论文笔记-2019-Object Detection in 20 Years: A Survey 基于深度学习的目标检测算法综述（一） 基于深度学习的目标检测算法综述（二&#x