FalsePositives（假正例FP）、TrueNegatives（真负例TN）和FalseNegatives（假负例FN）指什么precision：recall（分母就是GroundTruth）：参考文章1:目标检测之YOLOv2

YOLT论文全称「YouOnlyLookTwice:RapidMulti-ScaleObjectDetectionInSatelliteImagery」，是专为卫星图像目标检测而设计的一个检测器，是在YOLOV2

DL之YoloV2：YoloV2算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略目录YoloV2算法的简介(论文介绍)1、YOLOV2的特点、改进、优缺点2、实验结果3、不同算法性能(mAP

YOLOV2目标检测算法以及实战！

论文：FaceShifter:TowardsHighFidelityAndOcclusionAwareFaceSwapping论文地址：https://arxiv.org/pdf/1912.13457.pdf换脸是非常吸引人的一种应用，开发者可以用VAE或GAN做出非常炫酷的效果。一般而言，换脸会将A脸特征换到B脸上，同时保留B脸的神情或动态。像FaceSwap这样开源项目已经能生成非常真实的假脸

YOLOv3是在YOLOv1和YOLOv2的基础上，改进而来，如果希望深入了解，建议看看前两个版本，这里附上网络上比较好的分析博文：YOLOv1https

论文YOLO9000:Better,Faster,Stronger总共分为两大部分Better、Faster部分是对YOLOv1的诸多改善即YOLOv2Stronger部分是在YOLOv2基础上提出的YOLO9000YOLO9000

YOLOv3是在YOLOv1和YOLOv2的基础上，改进而来，如果希望深入了解，建议看看前两个版本，这里附上网络上比较好的分析博文：YOLOv1http

YOLOv1、YOLOv2和YOLOv3对比R-CNN系列YOLOv1结构目标输出网络训练YOLOv1的局限性和R-CNN系列的对比YOLOv2结构目标输出网络训练关于YOLO9000YOLOv3结构目标输出网络训练

三维深度学习之pointnet系列详解PointNet网络结构详细解析PointNet论文理解和代码分析PointNet论文复现及代码详解这里着重来探讨一下内部的代码（pointnet-master\models

目录链接：吴恩达DeepLearning学习笔记目录参考资料：YOLO系列之yolov1、YOLO系列之yolov2、yolo系列之yolov3【深度解析】论文：YOLO1：YouOnlyLookOnce

YOLOv2相对v1版本，在继续保持处理速度的基础上，从预测更准确（Better），速度更快（Faster），识别对象更多（Stronger）这三个方面进行了改进。

Yolov2（YOLO9000:Better,Faster,Stronger）是2017年文章。Yolov3（YOLOv3:AnIncrementalImprovement）是2018年文章。

在yolov1的基础上作者提出了一种联合训练的方法将目标检测数据集与分类数据集结合，使得YOLOv2网络能够识别9000种物体，升级为YOLO9000。

本文主要讲v3的改进，由于是以v1和v2为基础，关于YOLO1和YOLO2的部分析请移步YOLOv1深入理解和YOLOv2/YOLO9000深入理解。

关于YOLOv2/YOLO9000的分析理解请移步YOLOv2/YOLO9000。对象识别和定位输入一张图片，要求输出其中所包含的对象，以及每个对象的位置（包

YOLOv1是一个anchor-free的，从YOLOv2开始引入了Anchor，在VOC2007数据集上将mAP提升了10个百分点。

YOLOv1是一个anchor-free的，从YOLOv2开始引入了Anchor，在VOC2007数据集上将mAP提升了10个百分点。

最开始的应该是MOOSE，作者没有给源码，所以论文理解得并不是很透彻，CSK以及KCF/DCF都是仔细研究了源码的，自认为还算比较了解了，接下来的CN,其实了解了KCF/DCF就

blog.csdn.net/jesse_mx/article/details/53925356blog.csdn.net/hysteric314/article/details/53909408(主要看了这个)YOLO一代确实回归出的是中心点的坐标以及宽高（x,y,w,h）端到端（End-to-End）的目标检测方法，这些方法无需区域提名，包括YOLO和SSD。V1原理：YOLO的全拼是YouOn

YOLOv2的指导策略是Anchor与目标的的IOU尽可能大，RetinaNet设置denseAnchor，S3FD（人脸检测，ShifengZhang）的策略是，保证每个样本都有足够数量、且相同数量的

ubuntu14.04中安装Java，结合tensorflow进行安卓开发第一个小程序可能是利用YOLOv2对行人的识别先基于tensorflow做一个安卓版本的mnist识别一、回顾tensorflow

&TitleYOLOv3:AnIncrementalImprovement&Summary两点改进对结果提升比较大：fpn的特征融合（借鉴FPN）改基础网络（借鉴resnet）相比于YOLOv2，改进的地方有

0.简介在前一篇文章目标检测|让YOLOv1算法告诉你回归网络的能力中我们见证了回归网络的能力，本文就利用YOLOv2的整体实现，来告诉大家一些在目标检测领域中的Trick的力量。

YOLOv2相对v1版本，在继续保持处理速度的基础上，从预测更准确（Better），速度更快（Faster），识别对象更多（Stronger）这三个方面进行了改进。

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。

一、前言最近一直在研究深度学习在目标检测的应用，看完了YOLOv2的paper和YAD2K的实现源码，来总结一下自己的收获，以便于加深理解。

这部分基本是在YOLOV1的基础上的一些改进，并且还提出了YOLO9000(9000类检测，恐怖)。文章主要是三个部分，名字也起的很简洁：Better，Faster,Stronger。1.Better。作为YOLO来说，有两个缺点：定位不够准确。和基于regionproposal类的方法相比召回率更低。1.1BatchNormalization.简单来讲就是在每个卷积层的后面（也就是每个卷积层的输

YOLOv2/YOLO9000YOLO9000:Better,Faster,StrongerYOLOv2是一个单纯的改进型工作，在YOLO上集成了很多已有的trick（比如加了BN，anchor），因为是

Howmuchpositioninformationdoconvolutionalneuralnetworkencode?Intro文章是ICML2020的一个工作，探究了CNN到底有没有编码位置信息，这些位置信息在哪些神经元中被编码、这些位置信息又是如何被暴露给神经网络学习的。文章通过大量实验表明，CNN不仅可以编码位置信息，而且越深的层所包含的位置信息越多(而往往越深的层解释性越差，浅层学习到

Convolutionwitheven-sizedkernelsandsymmetricpaddingIntro本文探究了偶数kernelsize的卷积对网络的影响，结果表明偶数卷积在结果上并不如奇数卷积。文章从实验与原理上得出结论，偶数卷积之所以结果更差，是因为偶数卷积会使得featuremap偏移，即“theshiftproblem”，这将导致学习到的feature不具备更强的表征能力。本文提

DestructionandConstructionLearningforFine-grainedImageRecognitionIntro本文提出一种细粒度图像分类的方法，即将原图像拼图一样shuffle成不同的block，丢进一个分类器，当然，直接这样训练会引入shuffle带来的无关噪声，所以又加上了adversariallearning和constructionlearning，类比自编码

Noise2Noise:LearningImageRestorationwithoutCleanDataIntro本文亮点是输入图像和target图像都是有噪声的图像，而不是clean的图像，网络可以利用有噪声的图像学习到将有噪声的图像转化为无噪声的clean图像。文章解释了在使用l2loss时，网络对于一对多的映射关系学习到的是映射值的均值，基于此idea，将clean的图像加上0均值的噪声作为

Onthe"steerability"ofgenerativeadversarialnetworksIntro本文提出对GAN的latentspace进行操作的一种方法，通过对latentspace的编辑实现生成域外样本，操控生成样本的基本属性，如控制生成样本的位置、光照、二维旋转、三维旋转等等。文章的主要贡献为：证明并实现了通过在latentspace中的“walk”能够实现类似人类世界中相机的

AutomaticfabricdefectdetectionusingadeepconvolutionalneuralnetworkIntro本文提出用于纺织品的瑕疵检测方法，将原始图片看成由若干patch组成的图片，利用对patch间距离的定义，求取二阶微分的最大值，进而得到最佳patchsize。然后，由于正负样本极度不均衡，作者对负样本的patch进行增广，使得正负样本满足3：2的比例，最后

MakingConvolutionalNetworksShift-InvariantAgainIntro本文提出解决CNN平移不变性丧失的方法，之前说了CNN中的downsample过程由于不满足采样定理，所以没法确保平移不变性。信号处理里面解决这样的问题是利用增大采样频率或者用抗混叠方法，前者在图像处理里面设置stride1就可实现，但stride1已经是极限，本文着重于后者，使用抗混叠使得CN

Whydodeepconvolutionalnetworksgeneralizesopoorlytosmallimagetransformations?IntroCNN的设计初衷是为了使得模型具有微小平移、旋转不变性，而实际上本文通过实验验证了现在比较流行的神经网络都已经丧失了这样的能力，甚至图像只水平移动一个像素，预测的结果都将会发生很大的变化。之所以如此，作者认为CNN的下采样背离了隆奎斯特采

1.yolo：YouOnlyLookOnce:Unified,Real-TimeObjectDetection论文地址：https://arxiv.org/pdf/1506.02640.pdf处理流程：输入图片需要缩放到448*448，最后生成一个维度为7*7*30的tensor。优势：因为是一阶段的网络，故而运行速度快。论文的整体框架如下：对于最后的7*7*30的tensor的意义如下：将448

YOLOv1和YOLOv2简单看了一下，详细看了看YOLOv3,刚看的时候是蒙圈的，经过一番研究，分步记录一下几个关键的点：v2和v3中加入了anchors和Fasterrcnn有一定区别，这个anchors

经过一年的探索，2016年12月，YOLOv1作者JosephRedmon发布YOLOv2，以图扳回一城。下图是深度学习时代物体检测算法的里程碑，可以看到YOLO系列的相对位置。

yolov2中的学习率一共有如下几种，CONSTANT,STEP,EXP,POLY,STEPS,SIG,RANDOMCONSTANT:即学习率固定，这个是最简单的学习率变化策略（不变），配置文件中只需要一个参数

  YOLOv2作为YOLO的第二个版本，在思想上仍然延续了YOLO的总体思路，还是单阶段检测。其实，作者主要是结合了当时其他人一些较好的方法或者techniques来改进YOLO。  

代码主要使用ReactNative和TensorFlowMobile，训练模型使用Yolov2

End-to-endRecoveryofHumanShapeandPosecvpr2018的文章，有道云笔记：http://note.youdao.com/noteshare?id=2514205ee272234c20a29e92aedb089b下载地址：https://arxiv.org/pdf/1712.06584.pdf学习参考：https://blog.csdn.net/weixin_44

CVPR2019论文链接：https://arxiv.org/pdf/1904.10506.pdf源码：https://github.com/zhuhao-nju/hmd译文：http://tongtianta.site/paper/40353什么是锚点（anchorpoint）:https://blog.csdn.net/timwolee/article/details/9370917参考资料：

从yolov2

#前言之前讲了DeepLabV1,V2,V3三个算法，DeepLab系列语义分割还剩下最后一个DeepLabV3+，以后有没有++,+++现在还不清楚，我们先来解读一下这篇论文并分析一下源码吧。论文地址：https://arxiv.org/pdf/1802.02611.pdf#背景语义分割主要面临两个问题，第一是物体的多尺度问题，第二是DCNN的多次下采样会造成特征图分辨率变小，导致预测精度降低，

开始.......YOLOv3到底是什么首先并不是一开始就有了YOLOv3，YOLO有一系列的版本，YOLOv1，YOLOv2，YOLO9000，还有很多YOLO与其他算法结合的版本，YOLO我认为是为了提高区域检测的速度而生

FoveaBox:BeyondAnchor-basedObjectDetectorIntro本文是一篇one-stageanchorfree的目标检测文章，大体检测思路为，网络分两路，一路预测k个channel的map，每个channel代表一个类别的概率，即输出为w×h×k，另一路预测位置，输出即为w×h×4。想法其实很容易想到，但是本文之所以work我认为很重要的一个trick是gtlabel

摘要提出YOLOv2：代表着目前业界最先进物体检测的水平，它的速度要快过其他检测系统（FasterR-CNN，ResNet，SSD），使用者可以在它的速度与精确度之间进行权衡。