开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

线性损失和精度CNN图

是机器学习和深度学习领域中常用的概念和技术。

线性损失（Linear Loss）：线性损失是一种常见的损失函数，用于衡量模型预测值与真实值之间的差异。线性损失函数的定义如下： L(y, f(x)) = |y - f(x)| 其中，y表示真实值，f(x)表示模型的预测值。线性损失函数计算预测值与真实值之间的绝对差异，即预测误差的绝对值。线性损失函数适用于回归问题，例如预测房价、销售额等连续值的问题。
精度CNN图（Accuracy CNN Graph）：精度CNN图是指在卷积神经网络（Convolutional Neural Network，CNN）中用于衡量模型性能的图表。精度（Accuracy）是指模型在测试集上的分类准确率，即模型正确分类的样本数与总样本数之比。精度CNN图通常以迭代次数（Epoch）为横轴，精度值为纵轴，展示模型在训练过程中的性能变化。通过观察精度CNN图，可以评估模型的收敛速度和稳定性，以及是否存在过拟合或欠拟合等问题。

在云计算领域中，线性损失和精度CNN图常用于机器学习和深度学习模型的训练和评估过程。

腾讯云相关产品和产品介绍链接地址：

腾讯云机器学习平台（https://cloud.tencent.com/product/tensorflow）
腾讯云深度学习平台（https://cloud.tencent.com/product/tensorflow）
腾讯云人工智能平台（https://cloud.tencent.com/product/ai）
腾讯云云服务器（https://cloud.tencent.com/product/cvm）
腾讯云对象存储（https://cloud.tencent.com/product/cos）
腾讯云区块链服务（https://cloud.tencent.com/product/bcs）
腾讯云物联网平台（https://cloud.tencent.com/product/iot）
腾讯云移动开发平台（https://cloud.tencent.com/product/mpp）
腾讯云数据库（https://cloud.tencent.com/product/cdb）
腾讯云音视频处理（https://cloud.tencent.com/product/vod）
腾讯云网络安全（https://cloud.tencent.com/product/saf）
腾讯云云原生应用平台（https://cloud.tencent.com/product/tke）

以上是腾讯云提供的一些与云计算相关的产品和服务，可以满足不同场景下的需求。

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

安徽大学范存航、吕钊团队提出使用动态图自蒸馏方法实现基于EEG的高性能听觉注意检测

安徽大学智能信息处理与人机交互实验室(IIP-HCI)的范存航副教授、吕钊教授联合清华大学的陶建华教授、中科院自动化所的易江燕副研究员，提出了一种基于动态图自蒸馏(DGSD)的听觉注意检测模型。

03

α-IoU | 再助YOLOv5登上巅峰，造就IoU Loss大一统

Bounding box 回归通过预测目标的bbox来定位图像/视频中的目标，这是目标检测、定位和跟踪的基础。例如，最高级的目标检测器通常由一个bbox回归分支和一个分类分支组成，其中bbox回归分支生成用于定位对象进行分类的bbox。在这项工作中，作者探索了更有效的损失函数。

05

A Unified Multi-scale Deep Convolutional Neural Network

提出了一种用于快速多尺度目标检测的统一深度神经网络，即多尺度CNN (MS-CNN)。MS-CNN由建议子网络和检测子网络组成。在建议子网中，在多个输出层进行检测，使感受野匹配不同尺度的对象。这些互补的尺度特异性探测器被结合起来产生一个强大的多尺度目标探测器。通过优化多任务损失，实现了统一网络的端到端学习。此外，还探讨了反卷积特征上采样作为输入上采样的一种替代方法，以减少内存和计算成本。最先进的目标检测性能，高达15帧每秒，是报告的数据集，如KITTI和Caltech，包含大量的小目标。

02

CVPR2020 | 京东AI研究院提出统一样本加权网络，提升通用目标检测性能

论文地址：https://arxiv.org/pdf/2006.06568.pdf

01

SEMI-SUPERVISED OBJECT DETECTION FRAMEWORK WITH OBJECT FIRST MIXUPFOR REMOTE SENSING IMAGES

本文提出了一个用于遥感图像的简单半监督目标检测框架，该框架被命名为SSOD-RS。SSOD-RS包含两个部分，即改进的自我训练和基于强数据增强的一致性正则化，以及改进的混合。首先，作为一种增强算法，提出了Object First mixup（OF-mixup）来调整物体和背景的权重，扩大了训练样本的分布，同时减少了遥感复杂背景对物体特征的干扰。其次，在自训练中引入了集合损失和微调的训练策略，使模型在学习了伪标签的特征后，适应真实标签的特征分布。实验结果表明，利用无标签图像的SSOD-RS可以极大地提高模型的准确性。

01

判别特征学习方法用于人脸识别

最近因为博主科研繁忙，没有时间更新，在此向所有关注的您说一声对不起！希望没有计算机视觉战队大家依然科研顺利，生活愉快，也希望大家时刻关注我们的平台，宣传计算机视觉战队，谢谢！ ---- 今天我来给大家讲讲人脸识别的一些小事，希望您能有些收获，谢谢！ n 主要内容卷积神经网络（CNN）已广泛地用于计算机视觉领域，显著地提高了先进的方法。在大多数的CNNs中，softmax损失函数被作为监督信号去训练深度模型。为了增强深度学习特征的判别力，提出一种新的监督信号，称为中心损失，用于人脸识别任务。中心损失同时学

05

卷积神经网络

ICLR 2019论文解读：量化神经网络

深度神经网络（DNN）已经极大推升了机器学习（ML）/人工智能（AI）在许多不同任务中的性能，并由此带来了许多我们日常生活中所见的成熟应用。经典案例包括图像目标识别（Krizhevsky et al., 2012; Szegedy et al., 2014）、语音识别（Hinton et al., 2012; Sainath et al., 2013）、统计机器翻译（Devlin et al., 2014; Sutskever et al., 2014; Bahdanau et al., 2015）和掌握围棋（Silver et al., 2016）。

02

判别特征学习方法用于人脸识别

最近因为博主科研繁忙，没有时间更新，在此向所有关注的您说一声对不起！希望没有ComputerVisionGzq 大家依然科研顺利，生活愉快，嘿嘿！今天我来给大家讲讲人脸识别的一些小事，希望您能有些收

03

集检测与分类于一身的LVLane来啦 | 正面硬刚ADAS车道线落地的困难点

近年来，自动驾驶汽车和智能交通系统的显著进步彻底改变了作者对交通未来的设想。开发此类系统的核心是能够准确检测和解释道路上的车道，使车辆能够安全高效地行驶。

06

【干货】使用Pytorch实现卷积神经网络

【导读】图像识别是深度学习取得重要成功的领域，特别是卷积神经网络在图像识别和图像分类中取得了超过人类的好成绩。本文详细介绍了卷积神经网络（CNN）的基本结构，对卷积神经网络中的重要部分进行详细讲解，如卷积、非线性函数ReLU、Max-Pooling、全连接等。另外，本文通过对 CIFAR-10 的10类图像分类来加深读者对CNN的理解和Pytorch的使用，列举了如何使用Pytorch收集和加载数据集、设计神经网络、进行网络训练、调参和准确度量。总的来讲，这篇文章偏重概念理解和动手实现，相信对您的入门会有帮

06

判别特征的学习方法用于人脸识别（文末源码）

最近因为比较繁忙，没有及时在“计算机视觉战队”平台更新，在此向所有关注的同学说一声抱歉！希望这段日子大家依然科研顺利，生活愉快，嘿嘿！

02

Trans论文 | Proposal Learning用于半监督的目标检测

今年的疫情给大家带来了很多的不便，但是我们“计算机视觉战队”依然坚守自己岗位，给关注我们的同学带来新的分享，今年我们大家一起加油！今天我们主要还是说一说目标检测的知识，这个框架主要来源于TRANS顶级期刊。

03

结合语义和多层特征融合的行人检测

行人检测是目标检测领域研究最广泛的任务之一，也一直是计算机视觉任务中的热点和难点。行人检测任务是给出图像或视频中所有行人的位置和大小，一般用矩形框标注。行人检测技术可以与目标跟踪、行人重识别等技术结合，应用于汽车无人驾驶系统、智能视频监控、人体行为分析等领域。在实际场景中, 由于行人与物体、行人间互相遮挡以及交通标志、橱窗中的模特等相似信息的干扰，行人检测任务仍然存在很大的挑战。

02

ADA-YOLO | YOLOv8+注意力+Adaptive Head，相对YOLOv8，mAP提升3%+118FPS

近年来，目标检测技术取得了显著的进展，使得可以实现对解剖结构、病变或异常的自动识别和定位。多年来，目标检测方法取得了重大的进步，这是由于大规模的带有标注的数据集的出现和深度学习技术的开发所驱动的。这些技术在改善医疗诊断和治疗结果方面展示出巨大的潜力。

01

实时视频上的神经风格迁移（具有完整的可实现代码）

近几年来，经历了计算机视觉在生活中几乎每个角落的应用 - 得益于大量数据和超级动力GPU的可用性，这些GPU已经对卷积神经网络进行了训练和部署（CNN）超级容易。今天在机器学习中最有趣的讨论之一是它如何在未来几十年影响和塑造文化和艺术生产。神经风格迁移是卷积神经网络最具创造性的应用之一。

03

选择性细化网络用于高性能人脸检测

人脸检测是自动人脸识别系统中的一个关键环节。早期的人脸识别研究主要针对具有较强约束条件的人脸图象（如无背景的图象），往往假设人脸位置一直或者容易获得，因此人脸检测问题并未受到重视。

02

译：Tensorflow实现的CNN文本分类

翻译自博客：IMPLEMENTING A CNN FOR TEXT CLASSIFICATION IN TENSORFLOW 原博文：http://www.wildml.com/2015/12/implementing-a-cnn-for-text-classification-in-tensorflow/ github：https://github.com/dennybritz/cnn-text-classification-tf 在这篇文章中，我们将实现一个类似于Kim Yoon的卷积神经网络语句分类

05

一张照片获得3D人体信息，云从科技提出新型DenseBody框架

多年以来，如何从单一图像估计人体的姿势和形状是多项应用都在研究的问题。研究者提出不同的方法，试图部分或者联合地解决此问题。本文将介绍一种端到端的方法，使用 CNN 直接从单个彩色图像重建完整的 3D 人体几何。

03

Semi-supervised learning-based satellite remote sensing object detection method for power transmissi

众所周知，随着电网的日益复杂，传统的输电塔人工测量方法已经失效，无法满足安全稳定运行的要求。尽管卫星遥感技术的发展为输电塔的高效稳定测量提供了新的前景，但仍有许多问题需要解决。由于恶劣的气候和成像设备的限制，遥感图像中的一些输电塔目标是模糊的，这使得生成数据集和实现高精度输电塔目标检测变得极其困难。为了进一步提高发射塔的检测精度，首次将基于暗通道先验的图像增强算法应用于遥感图像，提高了图像的可解释性。然后，考虑到增强图像中仍有一些传输塔无法手动标记，采用了一种基于伪标记的半监督学习方法来最大限度地利用现有数据。基于这一高质量的数据集，利用移动倒瓶颈卷积和可变形卷积构建了一个传输塔卫星遥感目标检测模型。最后，根据我国某地区的卫星遥感图像数据集进行了烧蚀和对比实验。实验结果表明，图像增强和半监督学习方法都能提高检测精度，与现有主流模型相比，该方法性能更好。

01

TensorFlow.js简介

Tensorflow.js是一个基于deeplearn.js构建的库，可直接在浏览器上创建深度学习模块。使用它可以在浏览器上创建CNN(卷积神经网络)、RNN(循环神经网络)等等，且可以使用终端的GPU处理能力训练这些模型。因此，可以不需要服务器GPU来训练神经网络。本教程首先解释TensorFlow.js的基本构建块及其操作。然后，我们描述了如何创建一些复杂的模型。

03

「目标检测算法」连连看：从 Faster R-CNN 、 R-FCN 到 FPN

在这个系列中，我们将对目标检测算法进行全面探讨。第1部分，我们介绍常见的基于区域的目标检测器，包括Fast R-CNN，Faster R-CNN，R-FCN和FPN。第2部分，我们介绍单步检测器（single shoot dectors, SSD)。第3部分，我们探讨算法性能和一些具体的例子。通过在相同的环境研究这些算法，我们研究哪些部分在其作用，哪些部分是重要的，可以在哪些部分进一步改进。希望通过对算法如何发展到今天的研究，会给我们未来的研究提供方向。

03

A Shape Transformation-based Dataset Augmentation Framework for Pedestrian Detection

基于深度学习的计算机视觉通常需要数据。许多研究人员试图用合成数据来增强数据集，以提高模型的稳健性。然而，增加流行的行人数据集，如加州理工学院和城市人，可能极具挑战性，因为真实的行人通常质量较低。由于遮挡、模糊和低分辨率等因素，现有的增强方法非常困难，这些方法通常使用3D引擎或生成对抗性网络（GAN）合成数据，以生成逼真的行人。与此不同的是，为了访问看起来更自然的行人，我们建议通过将同一数据集中的真实行人转换为不同的形状来增强行人检测数据集。因此，我们提出了基于形状变换的数据集增强（STDA）框架。所提出的框架由两个后续模块组成，即形状引导变形和环境适应。在第一个模块中，我们引入了一个形状引导的翘曲场，以帮助将真实行人的形状变形为不同的形状。然后，在第二阶段，我们提出了一种环境感知混合映射，以更好地将变形的行人适应周围环境，获得更逼真的行人外观和更有益的行人检测增强结果。对不同行人检测基准的广泛实证研究表明，所提出的STDA框架始终比使用低质量行人的其他行人合成方法产生更好的增强结果。通过扩充原始数据集，我们提出的框架还将基线行人检测器在评估基准上提高了38%，实现了最先进的性能。

02

深度学习+度量学习的综述

如今，机器学习的应用广泛，包括人脸识别、医疗诊断等，为复杂问题和大量数据提供解决方案。机器学习算法能基于数据产生成功的分类模型，但每个数据都有其问题，需定义区别特征进行正确分类。常用的机器学习算法包括k最近邻、支持向量机和朴素贝叶斯分类器，但需注意特征加权和数据转换。

01

改进YOLOv5的合成孔径雷达图像舰船目标检测方法

针对合成孔径雷达图像目标检测易受噪声和背景干扰影响, 以及多尺度条件下检测性能下降的问题, 在兼顾网络规模和检测精度的基础上, 提出了一种改进的合成孔径雷达舰船目标检测算法。使用坐标注意力机制, 在确保轻量化的同时抑制了噪声与干扰, 以提高网络的特征提取能力; 融入加权双向特征金字塔结构以实现多尺度特征融合, 设计了一种新的预测框损失函数以改善检测精度, 同时加快算法收敛, 从而实现了对合成孔径雷达图像舰船目标的快速准确识别。实验验证表明, 所提算法在合成孔径雷达舰船检测数据集(synthetic aperture radar ship detection dataset, SSDD)上的平均精度均值达到96.7%, 相比于YOLOv5s提高1.9%, 训练时收敛速度更快, 且保持了网络轻量化的特点, 在实际应用中具有良好前景。

01

【目标检测】目标检测和实例分割中应用CIoU损失和Cluster-NMS，不牺牲推理效率的情况下，显著提高AP和AR

基于深度学习的目标检测和实例分割取得了前所未有的进展。在本文中，我们提出了CIoU (Complete-IoU)损失和Cluster-NMS来增强边界盒回归和非最大抑制(NMS)中的几何因子，在不牺牲推理效率的情况下，平均精度(AP)和平均召回率(AR)都有显著提高。在本文中，特别关注目标检测和实例分割中测量边界盒回归的三个关键点——重叠区域，归一化中心点距离和高宽比。为了更好地区分难回归的情况，将这三个几何因子被纳入到CIoU损失中。利用CIoU损失对深度模型进行训练，相比于广泛采用的n范数损失和IoU-based损失，结果得到一致的AP和AR改进。此外，我们提出了Cluster-NMS，其中NMS在推理期间是通过隐式聚类检测框来完成的，一般需要更少的迭代。由于它纯粹的GPU实现,可以合并几何因子提高AP和AR，所以Cluster-NMS是非常有效的。将CIoU损失和Cluster-NMS应用于实例分割(例如YOLACT)和目标检测(例如YOLOv3, SSD 和 Faster R-CNN)模型实验中,性能表现SOTA。以MS COCO上的YOLACT为例，使用NVIDIA GTX 1080Ti GPU可以达到27.1 FPS，同时本文的方法在目标检测上提升了1.7 AP和6.2 AR100，在实例分割上提升了0.9 AP和3.5 AR100。

01

如何通过梯度上升实现可视化卷积核？

作者：陈仲铭海格通讯 | 高级算法工程师量子位已获授权编辑发布转载请联系原作者为什么我的CNN网络模型训练出来的东西总是过度拟合？已经改了很多次参数都不行，到底是样本有问题还是网络模型定义有

06

Datawhale 零基础入门CV赛事-Task3 字符识别模型

本章将会讲解卷积神经网络（Convolutional Neural Network, CNN）的常见层，并从头搭建一个字符识别模型。

01

如何通过剃度上升实现可视化卷积核？

为什么我的CNN网络模型训练出来的东西总是过度拟合？已经改了很多次参数都不行，到底是样本有问题还是网络模型定义有问题？问题在哪来？ CNN网络模型中的每一层学习的是些什么特征？为什么有的人说第一层卷积核提取的边缘信息特征？有的人却说第一层卷积核提取的是颜色特征？到底是两者都有还是什么回事？ CNN网络可不可以减掉几层然后保持相同的精度和损失率呢？减掉几层可以减少网络参数，本来我的GPU显存不是很大，太大的网络塞不下，不想重新买GPU只能减层，有没有大神可以教教我怎么操作啊？很多时候我们会遇到上面的问题，然

07

R-FCN: Object Detection via Region-based Fully Convolutional Networks

我们提出了基于区域的全卷积网络，用于精确和有效的目标检测。与之前的基于区域的检测器(如Fast/Faster R-CNN)相比，我们的基于区域的检测器是全卷积的，几乎所有计算都在整个图像上共享。为了实现这一目标，我们提出了位置敏感的分数映射来解决图像分类中的平移不变性与目标检测中的平移方差之间的矛盾。因此，我们的方法可以很自然地采用完全卷积的图像分类器骨干网络，如最新的残差网络(ResNets)，用于目标检测。我们使用101层ResNet在PASCAL VOC数据集上显示了很有竞争的结果(例如，在2007年的集上显示了83.6%的mAP)。同时，我们的结果在测试时的速度为每张图像170ms，比Faster R-CNN对应图像快2.5-20倍。

02

Tensorflow入门教程（四十五）——SAUNet

今天将分享Unet的改进模型SAUNet，改进模型来自2020年的论文《Shape Attentive U-Net for Interpretable Medical Image Segmentation》，简单明了给大家分析理解该模型思想。

01

动态RCNN | 动态训练实现高质量目标检测（附源码）

模型采用动态K-max pooling取出得分top-k的特征值，能处理不同长度的句子，并在句子中归纳出一个特征图，可以捕捉短和长期的关系。并且该模型不依赖解析树，适用于任何语言基。

01

「目标检测算法」连连看：从 Faster R-CNN 、 R-FCN 到 FPN

在这个系列中，我们将对目标检测算法进行全面探讨。第1部分，我们介绍常见的基于区域的目标检测器，包括Fast R-CNN，Faster R-CNN，R-FCN和FPN。第2部分，我们介绍单步检测器（single shoot dectors, SSD)。第3部分，我们探讨算法性能和一些具体的例子。通过在相同的环境研究这些算法，我们研究哪些部分在其作用，哪些部分是重要的，可以在哪些部分进一步改进。希望通过对算法如何发展到今天的研究，会给我们未来的研究提供方向。

03

助力目标检测涨点 | 可以这样把Vision Transformer知识蒸馏到CNN模型之中

在安全关键的实时应用中部署深度神经模型具有挑战性，特别是在资源有限的设备上，如自动驾驶汽车或虚拟/增强现实头戴式设备。这主要是由于巨大的计算复杂性和庞大的内存/存储需求。一种有效的策略是通过知识蒸馏来训练轻量级架构，该策略能够将大模型中学到的信息压缩到小模型中。

03

医疗SAM也来啦 | AutoSAM告诉你如何在医疗领域更快更好开发大模型

生成预训练Transformer（Generative Pre-trained Transformer，GPT）系列模型的成功表明，如果在大规模数据上进行训练，大型语言模型在零样本和非可视域中的少量快照任务上的性能与最新技术相当。

02

基于转移学习的图像识别

算法该如何分辨这只狗可能属于哪个品种？当然小伙伴们可以训练自己的卷积神经网络来对这张图片进行分类，但是通常情况下我们既没有GPU的计算能力，也没有时间去训练自己的神经网络。但是，全世界的各个研究团队（例如牛津，谷歌，微软）都拥有足够的计算能力，时间和金钱，而且以前可能已经解决过一些类似的问题。我们该如何利用他们已经完成的工作呢？现在来让我们了解一个重要的概念——转移学习。

02

基于度量学习的深度哈希图像检索研究初步探索

面对毕设题目一堆陌生的术语，我查阅资料进行了初步探索，对毕设有了大致了解。春恋慕李聪的博客基于度量学习的深度哈希图像检索研究

01

【干货】深度人脸识别的 Caffe 实现（附模型开源地址及论文下载）

【新智元导读】本论文对人脸识别和验证任务提出一种新的损失函数，即中心损失。中心损失和softmax损失联合监督学习的CNN，其对深层学习特征的人脸识别能力大大提高。对几个大型人脸基准的实验已经令人信服地证明了该方法的有效性。相关论文题目：A Discriminative Feature Learning Approachfor Deep Face Recognition 作者：Yandong Wen, Kaipeng Zhang, Zhifeng Li*, YuQiao 新智元微信公众号回复1015，

场景几何约束在视觉定位中的探索

视觉定位是自动驾驶和移动机器人领域的核心技术之一，旨在估计移动平台当前的全局位姿，为环境感知和路径规划等其他环节提供参考和指导。美团无人配送团队长期在该方面进行深入探索，积累了大量创新性工作。不久前，视觉定位组提出的融合3D场景几何信息的视觉定位算法被ICRA2020收录，本文将对该方法进行介绍。ICRA的全称是IEEE机器人与自动化国际会议（International Conference on Robotics and Automation)，是机器人领域一年一度的顶级会议之一。

03

循环神经网络(RNN)模型与前向反向传播算法

在前面我们讲到了DNN，以及DNN的特例CNN的模型和前向反向传播算法，这些算法都是前向反馈的，模型的输出和模型本身没有关联关系。今天我们就讨论另一类输出和模型间有反馈的神经网络：循环神经网络(Recurrent Neural Networks ，以下简称RNN)，它广泛的用于自然语言处理中的语音识别，手写书别以及机器翻译等领域。

03

IJCAI 2018 | 让CNN跑得更快，腾讯优图提出全局和动态过滤器剪枝

作者：Shaohui Lin、Rongrong Ji、Feiyue Huang 等

03

京都大学利用 CNN 预测粮食产量，丰收不问天，问 AI 就够了

联合国预测，2050 年世界人口预计达到 91 亿，全球对粮食的需求量将增加 70%。

03

目标检测 | SSD，经典单阶段Anchor-Based目标检测模型

SSD算法，其英文全名是Single Shot MultiBox Detector, SSD的优势在于消除了bounding box proposal和pixel or feature resampling，并使用了multi-scale，因此达到了比faster rcnn和yolo更高的检测精度和更快的检测速度。

02

深度学习面试题及参考答案

首先权值共享就是滤波器共享，滤波器的参数是固定的，即是用相同的滤波器去扫一遍图像，提取一次特征特征，得到feature map。在卷积网络中，学好了一个滤波器，就相当于掌握了一种特征，这个滤波器在图像中滑动，进行特征提取，然后所有进行这样操作的区域都会被采集到这种特征，就好比上面的水平线。

02

更丰富的卷积特征用于目标边缘检测

【导读】边缘检测是计算机视觉中的一个基本问题。近年来，卷积神经网络(CNNs)的出现极大地推动了这一领域的发展。现有的方法采用特定的深层CNN，但由于尺度和纵横比的变化，可能无法捕捉到复杂的数据结构。今天分享的paper提出了一种利用更丰富的卷积特征(RCF)来精确的边缘检测方法。

03

20道深度学习面试题，有你不知道的吗？

首先权值共享就是滤波器共享，滤波器的参数是固定的，即是用相同的滤波器去扫一遍图像，提取一次特征特征，得到feature map。在卷积网络中，学好了一个滤波器，就相当于掌握了一种特征，这个滤波器在图像中滑动，进行特征提取，然后所有进行这样操作的区域都会被采集到这种特征，就好比上面的水平线。

01

一文总结目标检测

如有排版问题，可知乎查看：zhihu.com/column/c_1255545721723191296

02

EdgeYOLO来袭 | Xaiver超实时，精度和速度完美超越YOLOX、v4、v5、v6

如图1所示，还为具有较低计算能力的边缘计算设备设计了参数较少的轻量化模型，这也显示了更好的性能。 github：https://github.com/LSH9832/edgeyolo

04

快速了解 Faster R-CNN

Fast R-CNN 有两个网络：建议窗口网络（RPN）生成建议窗口并使用这些窗口检测物体。与Fast R-CNN 的主要区别在于后者使用选择性搜索来生成建议窗口。当RPN与物体检测网络共享最多计算时，RPN中生成建议窗口的时间成本比选择性搜索小得多。简而言之，RPN对区域框（称为锚点）进行排名，并提出最可能包含物体的框。结构如下。

03

一文带你了解 Faster R-CNN

Fast R-CNN 有两个网络：建议窗口网络（RPN）生成建议窗口并使用这些窗口检测物体。与Fast R-CNN 的主要区别在于后者使用选择性搜索来生成建议窗口。当RPN与物体检测网络共享最多计算时，RPN中生成建议窗口的时间成本比选择性搜索小得多。简而言之，RPN对区域框（称为锚点）进行排名，并提出最可能包含物体的框。结构如下。

03

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭