Backbone

目标检测算法——SSD

文章目录1.SSD简介2.SSD网络结构1）Backbone2）DefaultBox3）Predictor3.SSD匹配准则4.SSD损失计算1）类别损失2）定位损失1.SSD简介SSD算法全称是SingleShotMultiBoxDetector
Clichong·2022-10-19 11:58

目标检测算法——YOLOV2——stronger

因为YOLOV2的创新并不突出，主要是更新了backbone和借鉴了fasterRCNN或者SSD，后面又提出了YOLO9000，可以检测9000个类别。这个算是一个比较新颖的思路。
TigerZ*·2022-10-19 11:58

目标检测算法——YOLOv5改进|增加小目标检测层

其中：(1)Backbone：在不同图像细粒度上聚合并形成图像特征的卷积神经网络。(2)Neck
加勒比海带66·2022-10-19 11:26

CVPR 2021 论文和开源项目合集(Papers with Code)

【CVPR2021论文开源目录】https://github.com/amusi/CVPR2021-Papers-with-CodeBackboneNASGANVisualTransformer自监督(
人工智能与算法学习·2022-10-19 07:54

神经网络算法有哪些模型,常用的神经网络模型

unet模型的特点Unet是比较早的基于深度学习的分割算法了，优点是速度真的快P100上基于VGG的backbone能跑到50帧，同时不是太开放的场景下可以做到令人满意的
快乐的小肥熊·2022-10-18 18:03

《Swin Transformer: Hierarchical Vision Transformer using Shifted Windows》论文笔记

介绍:swintransformer可作为视觉任务的一个通用backbone。transformer在nlp
#苦行僧·2022-10-18 14:38

PyTorch官方文档——CV篇上：Mask R-CNN实例分割，ConvNet图片分类，对抗训练FGSM

文章目录一、torchvision实例分割教程1.1数据预处理1.1.1Dataset类定义方法1.1.2自定义PennFudan数据集1.2定义模型1.2.1预训练模型的微调1.2.2修改模型的backbone1.2.3
神洛华·2022-10-18 14:06

CNN：经典Backbone和Block

一、网络的属性参数选择网络backbone时除了考虑网络结果精准度外，还需要根据计算平台的性能约束（算力、内存、带宽），以及期望的网络推理帧率，选取合适的网络backbone，这就需要考察网络的属性指标
yuyuelongfly·2022-10-16 20:42

YOLOv4 改进 | 记录如何一步一步改进YOLOv4到自己的数据集（性能、速度炸裂）

改进后的YOLOv4网络架构如下：通过在Backbone中集成DenseNet来优化特征传播和重用，使检测精度和速度最大化，在Backb
Tom Hardy·2022-10-16 12:00

Pytorch可视化模型任意中间层的类激活热力图(Grad-CAM)

本文使用的backbonenetwork为Resnet50，运行时需要根据实际使用的网络来修改以下两个参数：1."layers_names"：包含模
潜行隐耀·2022-10-16 11:55

论文阅读-ViTDet：Exploring Plain Vision Transformer Backbones for Object Detection

ViT-basedMaskR-CNN(后称MViTv1)给出了使用ViT作为backbone的
是魏小白吗·2022-10-16 08:16

改进YOLOv7系列：21.添加ShuffleAttention注意力机制

本项目包含大量的改进方式,降低改进难度,改进点包含【Backbone特征主干】、【Neck特征融合】、【Head检测头】、【注意力机制】、【IoU损失函数】、【NMS】、【Loss计算方式】、【自注意力机制
芒果汁没有芒果·2022-10-15 08:42

改进YOLOv7系列：最新结合DO-DConv卷积、Slim范式提高性能涨点，打造高性能检测器

该教程包含大量的原创首发改进方式,所有文章都是原创首发改进内容降低改进难度,改进点包含最新最全的Backbone部分、Neck部分、Head部分、注意力机制部分、自注意力机制部分等完整教程本篇文章基于基于
芒果汁没有芒果·2022-10-15 07:16

改进YOLOv5系列：首发结合最新CSPNeXt主干结构(适用YOLOv7)，高性能，低延时的单阶段目标检测器主干，通过COCO数据集验证高效涨点

该教程包含大量的原创首发改进方式,所有文章都是原创首发改进内容降低改进难度,改进点包含最新最全的Backbone部分、Neck部分、Head部分、注意力机制部分、自注意力机制部分等完整教程本篇文章基于YOLOv5
芒果汁没有芒果·2022-10-15 07:36

神经网络模型训练简记（一）

神经网络模型训练简记（一）一、概念介绍1.1人工智能、机器学习、神经网络与深度学习1.2backbone与pretrain_model1.3batch_size、learning_rate、epoch与
weixin_46846685·2022-10-13 10:56

RCNN SPPNet Fast R-CNN Faster R-CNN Cascade R-CNN

多尺度金字自下而上：特征提取过程RPN（RegionProposalNetworks）：取代ss算法获取候选框（速度更快）anchors：一组矩形框，3*3卷积核滑动窗口时生成anchors，其坐标是backbone
puspos·2022-10-13 09:46

【python】Python闭包（closure），装饰器（Decorator）和注册机制（Registry）的学习笔记。

4.2创建注册表4.3内容注册5.MMCV的注册机制总结前言最近，接触到了MMCV框架，发现MMCV框架为了方便更换backbone，优化器，学习策略等功能模块，引入了一种注册机制（Registry）的方法
玉堃·2022-10-12 22:54

目标检测中的各种FPN

早期的目标检测算法，无论是一步式的，还是两步式的，通常都是在Backbone的最后一个stage（特征图分辨率相同的所有卷积层归类为一个stage）最后一层的特征图，直接外接检测头做目标检测。
cv研究僧·2022-10-12 22:07

FPN结构详解

(速度慢)(b)为单一特征图结构，将图片通过backbone得到最终特征图，在最终特征图上进行预测。(对小目标不友好)©
STATEABC·2022-10-12 22:57

YOLO 图文入门 04 v4 PAN，SAM（含代码+原文）

文章目录前言背景一、网络结构1.1Backbone（骨干）DenseBlock&DenseNet1.2Neck（颈）多尺度特征金字塔PANetSAMSPPNet二、YOLOv4的改进方法2.1带上SPPNet2.2
湘粤Ian·2022-10-12 22:51

改进YOLOv7系列：24.添加SimAM注意力机制

本项目包含大量的改进方式,降低改进难度,改进点包含【Backbone特征主干】、【Neck特征融合】、【Head检测头】、【注意力机制】、【IoU损失函数】、【NMS】、【Loss计算方式】、【自注意力机制
芒果汁没有芒果·2022-10-12 07:55

改进YOLOv5系列：17.添加NAMAttention注意力机制

本项目包含大量的改进方式,降低改进难度,改进点包含【Backbone特征主干】、【Neck特征融合】、【Head检测头】、【注意力机制】、【IoU损失函数】、【NMS】、【Loss计算方式】、【自注意力机制
芒果汁没有芒果·2022-10-12 07:25

改进YOLOv5系列：12.添加ShuffleAttention注意力机制

本项目包含大量的改进方式,降低改进难度,改进点包含【Backbone特征主干】、【Neck特征融合】、【Head检测头】、【注意力机制】、【IoU损失函数】、【NMS】、【Loss计算方式】、【自注意力机制
芒果汁没有芒果·2022-10-12 07:24

改进YOLOv7系列：首发结合最新Transformer视觉模型MOAT结构：交替移动卷积和注意力带来强大的Transformer视觉模型，超强的提升

该教程包含大量的原创首发改进方式,所有文章都是原创首发改进内容降低改进难度,改进点包含最新最全的Backbone部分、Neck部分、Head部分、注意力机制部分、自注意力机制部分等完整教程本篇文章为首发基于
芒果汁没有芒果·2022-10-12 07:35

基于Paddle的计算机视觉入门教程——第10讲 目标检测YOLOv3-backbone

B站教程地址https://www.bilibili.com/video/BV18b4y1J7a6/YOLOv3介绍YOLOv3是2018年提出的目标检测算法，取得了非常优秀的效果。直至今天，YOLO系列仍是当前目标检测的主流算法，诞生了一系列的变体，如YOLOv4，YOLOv5，YOLOX等。新的算法大多都是对YOLOv3算法的小修改，本质上没有非常大的改变作为目标检测算法，相比分类算法要复杂一
一笑奈何LHY·2022-10-10 15:03

Swin Transformer: Hierarchical Vision Transformer using Shifted Windows

：为啥挑这篇文章，因为效果炸裂，各种改款把各种数据集霸榜了：语义分割/分类/目标检测，前10都有它SwinTransformer,thatcapablyservesasageneral-purposebackboneforcomputervision
64318@461·2022-10-10 07:35

Swin Transformer详解: Hierarchical Vision Transformer using Shifted Windows

是一个特征提取的主干网络，backbone。构建了一种分层特征提取的方式，不断减小“featuremap”的大小（token的数量），构造层次的特征映射。
暖风️·2022-10-10 07:51

改进YOLOv7系列：首发结合最新Centralized Feature Pyramid集中特征金字塔，通过COCO数据集验证强势涨点

该教程包含大量的原创首发改进方式,所有文章都是原创首发改进内容降低改进难度,改进点包含最新最全的Backbone部分、Neck部分、Head部分、注意力机制部分、自注意力机制部分等完整教程本篇文章基于YOLOv7
芒果汁没有芒果·2022-10-10 07:08

改进YOLOv5、YOLOv7、v7-Tiny系列：首发结合 RepLKNet 构建 最新 RepLKDeXt 结构｜CVPR2022 超大卷积核, 越大越暴力,大到31x31, 涨点高效

降低改进难度,改进点包含最新最全的Backbone部分、Neck部分、Head部分、注意力机制部分、自注意力机制部分等完整教程。
芒果汁没有芒果·2022-10-08 07:29

[原创]YoloV3创新点总结

1、backbone使用darknet53，网络更深包括53层卷积，为避免梯度消失使用的resNetshortcut连接2、在预测阶段，借鉴了FPN(FeaturePyramidNetwork)使用3个尺度的特征
杨树_·2022-10-07 07:08

Yolo系列目标检测算法知识点总结

下面是YoloV4论文中给出的目标检测算法的整体架构：主要包含以下几个部分：输入层用来处理输入数据，如数据增强Backbone主干网络用来提取特征Neck层用来做多尺度特征融合，提升特征的表达能力，如SPP
胖胖大海·2022-10-07 07:27

《Res2Net: A New Multi-scale BackboneArchitecture》论文笔记

Res2Net:ANewMulti-scaleBackboneArchitecture1INTRODUCTION2RELATEDWORK2.1BackboneNetworks2.2Multi-scaleRepresentationsforVisionTasks2.2.1Objectdetection
大王子呀·2022-10-06 07:06

kaggle比赛之小麦检测总结

冠军算法分享：https://www.kaggle.com/c/global-wheat-detection/discussion/1724181.算法及数据1.1核心网络结构(backbone)1.2
望长安于日下·2022-10-04 21:45

OpenMMLab之Registry机制

Registry注册器来管理具有相似功能的不同模块，例如检测网络中的backbone、head和neck。
NuerNuer·2022-10-04 07:20

目标检测算法——YOLOv3

文章目录1.YOLOv3简介2.YOLOv3改进1）backbone2）多尺度预测3）目标边界框的预测4）多标签分类3.YOLOv3损失函数1）目标置信度损失2）目标类别损失3）目标定位损失回顾前两个版本的
Clichong·2022-10-02 07:09

使用YOLOv3实现目标检测

目标检测的backbone一般基于ImageN
m0_70336003·2022-10-02 07:17

YOLOV4 名词总结

batch-normalization残差网络ResNet残差连接residual-connections感受野one-stage与two-stageanchorGroundtruth（真实值）FPN数据预处理onehot编码Backbone
我只是爱吃苹果·2022-09-30 07:58

改进YOLOv7系列：25.YOLOv7 加入RepVGG模型结构，重参数化 极简架构

本项目包含大量的改进方式,降低改进难度,改进点包含Backbone、Neck、Head、注意力机制、IoU损失函数、NMS、Loss计算方式、自注意力机制、数据增强部分、激活函数等部分，详情可以关注YOLOAir
芒果汁没有芒果·2022-09-30 07:46

目标检测 YOLOv5网络v6 0版本总结

目标检测YOLOv5网络v6.0版本总结YOLOv5对比YOLOv4输入端:在模型训练阶段，提出了Mosaic数据增强、自适应锚框计算、自适应图片缩放等；Backbone网络：融合其它检测算法的新思路，
BigCabbageFy·2022-09-30 07:06

基于Paddle的计算机视觉入门教程——第11讲 目标检测YOLOv3-neck、head

backbone部分输出的shape分别为（13，13，1024），（26，26，512），（52，52，256）。将这三个输出分别输入到FPN中，我们先看（1
一笑奈何LHY·2022-09-28 09:18

【目标检测-YOLO】YOLO v4 更多细节（第三篇）

对于目标检测任务，分为Backbone,Neck,Head部分。其中Backbone常在ImageNet上进行图像分类的预训练，然后目标检测架构中的Backbone即预训练好的去掉分类层的网络。
理心炼丹·2022-09-27 07:39

睿智的目标检测60——Pytorch搭建YoloV7目标检测平台

睿智的目标检测60——Pytorch搭建YoloV7目标检测平台学习前言源码下载YoloV7改进的部分（不完全）YoloV7实现思路一、整体结构解析二、网络结构解析1、主干网络Backbone介绍2、构建
Bubbliiiing·2022-09-27 07:32

[论文阅读]（Transformer系列）

文章目录一.VideoTransformerNetwork摘要引言相关工作：ApplyingTransformersonlongsequencesVideoTransformerNetworkSpatialbackboneTemporalattention-basedencoderClassificationMLPheadLookingbeyondashortclipcontextVideoAct
初之代·2022-09-24 15:27

最全的YOLO系列汇总【个人笔记】

一个网格点只能预测一个物体，即预测该物体的正样本数目只有一个；yolov4:anchor-based输入端：这里指的创新主要是训练时对输入端的改进，主要包括Mosaic数据增强、cmBN、SAT自对抗训练BackBone
Ctrl_Cver·2022-09-22 21:00

YOLO系列目标检测算法-YOLOv6

系列目标检测算法目录YOLO系列目标检测算法总结对比YOLOv1YOLOv2YOLOv3YOLOv4Scaled-YOLOv4YOLOv5-文章链接YOLOv6-文章链接YOLOv7-文章链接本文总结：Backbone
Mr.小梅·2022-09-22 11:44

YOLO系列目标检测算法-YOLOv4

现阶段的目标检测器主要有两部分组成，backbone和head，近年
Mr.小梅·2022-09-22 11:14

Faster RCNN如何换特征层

换backbone的一个难点在于：如何去获取分类网络中间某一个特征层的一个输出，在这个特征层输出的基础上去构建FasterRcnn的backbone。
土豆娃potato·2022-09-21 08:55

毕业相关——电网项目

attention类别不平衡的训练（yolo原有的方法不太好）别的思路：[借鉴一些思路]1.SNIP与SNIPER级联方式——QueryDet：用于高分辨率的快速小目标检测融合模型手稿上面这个图不行，backbone
玦☞·2022-09-17 19:22

YOLOv5改进系列之增加小目标检测层

其中：(1)Backbone：在不同图像细粒度上聚合并形成图像特征的卷积神经网络。(2
·2022-09-14 18:59

MMpose代码讲解之关键点Heatmap可视化

该类的构造参数说明如下：backbone(dict):特征提取网络及配置，和config文件中的model
@会飞的毛毛虫·2022-09-13 20:27
上一页 24 25 26 27 28 29 30 31 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他