网络

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&

近年来，目标检测的工程应用研究中，YOLO系列以快速响应、高精度、结构简单以及容易部署的特点备受工程研究人员的青睐。同时，YOLO系列存在需要手工设定样本正负导致模型泛化能力较差的问题。为了解决此类问题

1.selayer的由来 这里我们介绍一篇CVPR2017的文章SENet，感兴趣的同学可以直接看下他这篇文章，它赢得了最后一届ImageNet 2017竞赛分类任务的冠军。重要的一点是SENet思路很简单&#xf

YOLO  v2介绍： 在原论文当中，使用pascal voc 2007数据集以及imagent数据集联合训练，最后能检测的类别超过9000，所以原论文名叫作YOLO9000。yolov2

声明：本文引用吴恩达教授的DeepLearning课程内容。 目录 1、基于滑动窗口的目标检测算法 2、卷积的滑动窗口实现 1、基于滑动窗口的目标检测算法 首先固定一个于滑动窗口区域，然后将滑动窗口在图像上按照

google官方efficientdet网络训练自己数据集步骤以及问题解决 1、谷歌官方代码网址，github上有各种版本的，建议使用官方的不会出现什么问题。 https://github.com/google/

更过内容更新于个人博客 twn29004.top 常见的RPN网络 Faster-RCNN中的RPN网络 在Backbone生成的特征图中，使用大小为3×33\times 33×3的卷积处理特征图，针对每一个中心

FCOS： Fully Convolutional One-Stage Object Detection 文章链接：https://arxiv.org/pdf/1904.01355.pdf FCOS 是一阶段网络&

一、前言 目前主流的空间点云检测主要有两种。一种是直接以三维点云作为输入，直接送入卷积网络或者转化为体素送入。另一种是将3D点云映射到2D，主要为鸟瞰图或者前视图。一般来说第一种方法目标的检测信息比较丰富&#xff

Receptive Field Block Net for Accurate and Fast Object Detection 接收域块网络准确和快速 的目标检测 摘要 目前性能最好的目标检测器依赖与CNN的深层主干，如re