国内做网站网站代理怎么样,怎么做网页的超链接,iis网站无法启动,怎么去掉网站底部信息检测算法回顾
5、6年前的检测算法大体如下#xff1a; 手动涉及特征时应该考虑的因素#xff1a; 1、尺度不变性 2、光照不变性 3、旋转不变性 这一步骤称为特征工程#xff0c;最重要的一个算法称为sift#xff0c;(回顾SIFT讲解)体现了上述所有的观点。 在分类的过程中…检测算法回顾
5、6年前的检测算法大体如下 手动涉及特征时应该考虑的因素 1、尺度不变性 2、光照不变性 3、旋转不变性 这一步骤称为特征工程最重要的一个算法称为sift(回顾SIFT讲解)体现了上述所有的观点。 在分类的过程中经典的工具有SVM、NN。 由于每一个步骤都会存在误差随着链路不断增长会导致误差逐步累积最终带来错误。 stage1生成备选框stage2进行精准化.
v1讲解
一些概念和定义 每个备选框都可以用四个维度唯一标定。 confidence为置信度置信度表达式中的Pr表示是否为目标物体的概率IoU表示真实与预测box之间的重合程度。 输出的张量(5*BC)表示channel数目5代表了box的xywh和置信度一共有两个boxC表示分类的个数原文中给的是20. B是个武断的数字只要比1大就行了用1个预测框去回归并不能保证回归结果很好。 损失函数解释 函数1、2代表的是对物体边框的回归。3、4代表的是对置信度的回归。 原本的格子7x7然后每个格子对应2个bbox一共有98个点需要估计。然而在我们上图中只有3个物体所以需要把超参数调整大一点平衡非物体bbox过多。 w与h表示bbox的边框大小为什么使用根号呢如果使用线性的当物体边框大的时候loss也就越大说明我们评测结果容易收到大物体影响。使得网络只会去学习到大物体的信息而把小物体给忽略掉了。 w与h表示bbox的边框大小使用根号是为了使得大物体与小物体产生的loss差距不大。取log也可以。 为什么需要加上noobject的损失 当我们需要学习N类物体的特征时其实需要学习的时N1类物体就是多一个复杂的背景增强泛化能力。 最后的分类略显粗糙需要加上softmax与交叉熵损失相结合。softmax定义数学表达式编码以及求导需要好好掌握。 v1总结 之前说过yolo是图像中物体中心落在哪个格子那个格子就负责预测那一个物体。如果物体过于拥挤导致一个格子里面有多个物体中心就不好搞了。 物理信息找边框语义信息分类。 很显然右边的更容易回归 人工撒anchor不同形状
v3
