1.概述视觉识别需要丰富的表示，从低到高，从小到大，从细到粗的分辨率。架构网络正在探索骨干网络以设计更深以及更宽的网络，但如何融合这些层以及这些块值得进一步的探讨。尽管已经提出了残差网络来组合层，但这些连接本身已经“浅”，并且仅通过简单的一步操作融合。我们认为通过更深层次的融合可以更好的聚合不同层的信息。我们的深层聚合结构以迭代和分层方式合并特征层次结构，使网络具有更高的准确性和更少的参数。2.深

参考博客：https://blog.csdn.net/u013738531/article/details/82731257pytorch代码：https://github.com/luuuyi/CBAM.PyTorch1.概述本论文提出了一种简单但有效的注意力网络---ConvolutionalBlockAttentionModule(CBAM)。给定一个中间的特征图，我们的模块沿着两个不同的维

参考博客：https://blog.csdn.net/zhangjunhit/article/details/745305961.概述目前网络架构设计的趋势均是在相同计算量的前提下将大的卷积核替换为多个小的卷积核（如1x1和3x3）堆叠而成。但在语义分割中需要同时进行分类和定位的时候大的卷积核占很重要的角色。为解决分类和定位问题，我们提出了GCN网络。同时提出了基于残差的边界修正，来更好细化物体边

参考博客：https://blog.csdn.net/u014380165/article/details/824687251.概述目前目标检测的研究，基本上是逐渐增加金字塔形状的特征层数量而不是使用特征化的图像金字塔。然而，CNN特征层的不同抽象级别通常会限制检测性能，尤其是在小型对象上。因此本文提出了一种基于CNN的物体检测架构，称为并行特征金字塔（FP）网络（PFPNet），其中FP通过加宽

1.设计网络的动机目前现有的特征提取方法大多都是用分层方式表示多尺度特征。分层方式即要么对每一层使用多个尺度的卷积核进行提特征（如SPPNet），要么就是对每一层提取特征进行融合（如FPN）。本文提出的Res2Net在原有的残差单元结构中又增加了小的残差块，增加了每一层的感受野大小。Res2Net也可以嵌入到不同的特征提取网络中，如ResNet,ResNeXt,DLA等等。2.Res2Net2.1

参考博客：https://blog.csdn.net/qixutuo6087/article/details/88822428pytorch代码：https://github.com/pppLang/SKNet1.为什么提出该网络？当我们在距离目标不同远近程度看一个物体时，我们的视觉皮层神经元会选择不同的接受域来感受该物体。因此，本文提出一种动态选择机制使每一个神经元可以针对目标物体的大小选择不同

一、论文理解1、ImageNet大型视

论文链接：https://arxiv.org/abs/1904.095691.摘要本文将通过扩展卷积神经网络中的池化部分来解决显著目标检测问题。在特征金字塔的基础上，在bottom-up途径上加入GGM模块（globalguidancemodule），旨在为不同特征层提供潜在显著对象的位置信息。在top-down途径加入FAM模块（featureaggregationmodule），将粗糙级的特征

YOLO9000:Better,Faster,StrongerYOLO9000：更好、更快、更强JosephRedmon*†,AliFarhadi*†UniversityofWashington*,AllenInstituteforAI†http://pjreddie.com/yolo9000/AbstractWeintroduceYOLO9000,astate-of-the-art,real-t

《DeepCompression:CompressionDeepNeuralNetworksWithPruning,TrainedQuantizationAndHuffmanCoding》论文解读：1.在.cu中目前仍然是调用cpu_data接口，所以可能会增加与gpu数据交换的额外耗时，这个不影响使用，后面慢慢优化。~(已解决)2.目前每层权值修剪的比例仍然是预设的，这个比例需要迭代试验以实现在

本篇论文提出了通过全卷积网络学习把图像像素映射到密集模板网格，主要针对人脸。该论文把这个问题看作是一个回归问题。这篇论文手动标注野外的面部地标并利用地标去建立3维物体模板与输入图像之间的密集坐标关系，然后作为densereg网络训练回归系统的ground-truth,这是标注问题设计了一种叫DenseReg的系统，可以用一种全卷积的方式估计从图像到模板的密集联系。步骤：1，先产生ground-tr

YOLO，官方https://pjreddie.com/darknet/yolo/最新版本是YOLOv2，在使用前，要先安装Darknet，通过git给拷贝下来gitclonehttps://github.com

目录原理篇：一、YOLOv1回顾二、YOLOv2介绍代码篇三、YOLOv2的tensorflow2实现原理篇：一、YOLOv1回顾下图是YOLOv1的整体网络框架图：●主要的检测思路：1.首先使用CNN

Real-TimeObjectDetection下载源码gitclonehttps://github.com/pjreddie/darknetcddarknetmake其中cfg/目录下有目前yolov1，yolov2

首先下载数据集train-textloc.zip其groundtruth文件如下所示：158,128,412,182,"Footpath"442,128,501,170,"To"393,198,488,240,"and"63,200,363,242,"Colchester"71,271,383,313,"Greenstead"groundtruth文件格式为：xmin,ymin,xmax,ymax

下图是我的群二维码：一、综述YOLO有自己训练好的数据集，在YOLOv2中，数据集可检测的类别达9000种以上，但是9000毕竟不是全部，它能涵盖大部分的物体识别，但是可能对于某些用

目录1.环境配置1.1Anaconda安装1.2Pycharm安装1.3TensorFlow安装2.训练数据集准备2.1数据集标注3.训练数据集预处理3.1解析标签文件XML3.2读取图片4.真实标签格式处理4.1单张图片4.2批量图片5.模型搭建与权重初始化5.1模型搭建5.2权重初始化6.损失计算6.1制作网格坐标6.2坐标损失计算6.3类别损失计算6.4置信度计算7.模型训练与保存8.模型验

这是KaihuaZhang发表在ECCV2012的paper，paper的主题思想是利用满足压缩感知(compressivesensing)的RIP(restrictedisometryproperty)条件的随机测量矩阵(randommeasurementmatrix)对多尺度(multiplescale)的图像特征(features)进行降维，然后通过朴素贝叶斯分类器(naiveBayescl

在讲解之前，大家应该具备相应的原理知识yolov1，yolov2，yolov3。大部分同学在看论文时并不能把所有的知识全部掌握。

1.制作符合要求的VOC数据集目标：制作如下格式的文件夹格式：--VOC2017（大写字母+数字）--Annotations（存放储存标注信息的xml）--ImageSets--Main（存放储存图片名的train.txttest.txt）--Layout--JPEGImages（存放图片）1.1整理图像使用TotalCommander的批量重命名，将图片按数字序号重命名，并存储一文件夹下（路径中

1.背景由于Yolov1网络效率低，对于小物体和密集群体检测效果差，也得益于FasterRCNN先验框的启发，Yolov2基于Yolov1的基础上产生了。

yolov2安装一、采用Windows7实现1、vs2015+opencv3.2+GeForceGT1030（c++编译）Github：https://github.com/pjreddie/darknetvs2015

为了解决这一问题，另一类方式出现了，称为one-stage,典型代表是Yolo,SSD,YoloV2等。他们识别速度

Yolov3网络结构在博客“Yolo发展历史及网络结构”中我们已经详细的解释了Yolov1的网络结构，并简要的提到了Yolov2与Yolov3对于网络结构的改进，本篇博客将详细介绍Yolov3的网络结构

Yolov3网络结构在博客“Yolo发展历史及网络结构”中我们已经详细的解释了Yolov1的网络结构，并简要的提到了Yolov2与Yolov3对于网络结构的改进，本篇博客将详细介绍Yolov3的网络结构

Yolov3网络结构在博客“Yolo发展历史及网络结构”中我们已经详细的解释了Yolov1的网络结构，并简要的提到了Yolov2与Yolov3对于网络结构的改进，本篇博客将详细介绍Yolov3的网络结构

下面介绍的是YOLOV2的内容Better1.BNV2使用BatchNormalization对网络进行优化，通过对每一个卷积层增加BN处理，最终使得V2的mAP提高了2%2.Highresolutionclassifier

改进后的网络称为YOLOv2，在标准的检测任务中，比如PASCALVOC和COCO，它也是一

Yolov1参考资料链接：https://www.jianshu.com/p/cad68ca85e27将一幅图像分成S*S个网格（gridcell），如果某个object的中心落在这个网格中，则这个网格就负责预测这个object。个人理解：将图像分成S*S的网格，其实就是经过网络之后最终结果是一个S*S的矩阵，如果label中标定的物体中心在某个网格中，那么这个网格就负责预测这个物体信息（框的位置

#coding=utf-8#k-means++forYOLOv2anchors#通过k-means++算法获取YOLOv2需要的anchors的尺寸importnumpyasnp#定义Box类，描述boundingbox

YOLOv3相比YOLOv2，主要有以下几个方面的改变：使用Darknet-53作为基础网络（提取图像特征）；对象分类用逻辑回归取代softmax；借鉴FPN，利用多尺度特征图进行目标检测。

文章全部YOLOv2源码分析接着上一讲没有讲完的make_convolutional_layer函数#0x01make_convolutional_layer//make_convolutional_layerl.forward

在讲解之前，大家应该具备相应的原理知识yolov1，yolov2，yolov3。大部分同学在看论文时并不能把所有的知识全部掌握。

YOLOv2和YOLO9000是同一篇论文提出的两个模型，二者略有不同。

目标检测算法实现细节代码：https://github.com/experiencor/keras-yolo21网络结构的构建输入维度：416*416(yolov2为全卷积网络，可以接受任意尺寸的图像输入

如何获得Anchor的算法在前面讲解YOLOv2原理的时候已经说清楚了，推文地址如下：https://mp.weixin.qq.com/s/4PPhCpdna4AWgbEWhunNTQ。

本文转载自：http://blog.csdn.net/ch_liu23/article/details/53558549最近在用yolo来做视频中的人员检测，选择YOLO是从速度考虑，当然也可以用ssd。YOLO相关可看主页Darknet，有相关代码和使用方法。由于之前做自己的数据训练过程中出现各种问题，参照了各种博客才跑通，现在记录下以防后面忘记，也方便自己总结一下。YOLO本身使用的是VOC的

Yolov2、Yolov3、Gaussian_Yolov3使用K-means聚类计算anchorboxes方法Yolo系列模型的默认anchor是基于COCO训练集，使用K-means聚类算法获得的，在实际应用中

在yolov2中reorg_layer主要将第25层的输出26*26*512的特征图reshape成13*13*2048。

YOLOv2主要在一些经验和tip上对yolov1进行改进，在保持速度不变的前提下提升检测精度，主要体现在三个方面：1.Better更精确1）batchnormalization神经网络学习过程本质就是为了学习数据分布

本文接着上一篇《手把手教你用深度学习做物体检测(五)：YOLOv1介绍》文章，介绍YOLOv2在v1上的改进。有些性能度量指标术语看不懂没关系，后续会有通俗易懂的关于性能度量指标的介绍文章。

下面具体看下YOLOv2都做了哪些改进。

YOLOv2的创新点YOLOv1虽然检测速度块，但在定位方面不够准确，并且召回率低。

在YOLOv2中，每个卷积层后面都添加了BatchNormalization层，并且不再使用droput。使用BatchNormalization后，YOLOv2的mAP提升了2.4%。

日萌社人工智能AI：KerasPyTorchMXNetTensorFlowPaddlePaddle深度学习实战（不定时更新）yoloV3模型目标检测：YOLOV1、YOLOV2、YOLOV3算法KITTI

YOLOv2网络通过在每一个卷积层后添加batchnormalization，极大的改善了收敛速度同时减少

YOLOv1:YOLOv1论文理解最近要做目标跟踪，经过调研发现，YOLOv3的速度与精度喜人，超过了同时代的(Faster-R-cnn、SSD、YOLOv2)，达到了art-to-state水平，但是在阅读过程中

YOLOv2精度的改进（Better）先来一个总览图，看看它到底用了多少技巧，以及这些技巧起了多少作用：CNN在训练过程中网络每层输入的分布一直在改变,会使训练过程难度加大，但可以通过normalize

从YOLOv1到YOLOv2的YOLO学习文章目录从YOLOv1到YOLOv2的YOLO学习YOLOv2与v1的区别YOLOv2网络结构YOLOv2聚类提取先验YOLOv2-AnchorBoxYOLOv2

keras-yolo3（请先下载此文件）论文地址：YOLOV1https://pjreddie.com/darknet/yolov1/YOLOV2https://pjreddie.com/darknet/yolov2