学习笔记

CVPR2021挖的一个新坑 Open world object detection（后面简称ORE） Open set learning Incremental Learning (1)Open set le

深度学习之目标检测（九）YOLOv3 SPP理论介绍 本章学习 YOLO v3 SPP 相关理论知识，学习视频源于 Bilibili。本章节基于 ultralytics 版本的 YOLOv3 进行讲解

APD,citypersons的SOTA，主要解决重叠目标的问题 普通NMS流程： 对于最后输出的所有框 (1)找到预测置信度最大的框M (2)计算其他同类框和M的IOU (3)将IOU大于阈值N_t的框的置信度置0

论文2： Ultra Fast Structure-aware Deep Lane Detection官方代码地址：https://github.com/cfzd/Ultra-Fast-Lane-Detection该

R（召回率recall）正确预测的正样本数/实际拥有的正样本数 P（准确率precision）正确预测的正样本数/总预测样本数 R是查全率，P是查准率，是两个

Yolov1：2015/6/8 无anchor； 分成77 49个区域，每个区域预测2个bbox，输出7730( 25 20 )特征层。 使用IOU做confidence&#xff1b

简单来说就是深度神经网络处理问题不需要像传统模型那样，如同生产线般一步步去处理输入数据直至输出最后的结果（其中每一步处理过程都是经过人为考量设定好的 (“hand-crafted” function)）

论文阅读 感谢p导 论文链接：MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications 主要亮点有两个&#xff1a

深度学习之目标检测（五）RetinaNet网络结构详解 本章学习 RetinaNet 相关知识，学习视频源于 Bilibili，部分参考叙述源自 知乎 。 1. RetinaNet R

写在前面：再跑yolov5代码时报错:assertionerror:no labels found in///JPEGImages.cache can not train without labels 经过查阅后得知是因为yolo