FishL

摘要： 【深度學習】總目錄 輸入端：數據增強、錨框計算等。 backbone：進行特征提取。常用的骨干網絡有VGG，ResNet，DenseNet，MobileNet，EfficientNet，CSPDarknet 53，Swin Transformer等。（其中yolov5s采用CSPDarknet 53 閱讀全文

摘要： 【深度學習】總目錄 DeepLab系列是谷歌團隊提出的一系列語義分割算法。DeepLab v1于2014年推出，隨后2017到2018年又相繼推出了DeepLab v2，DeepLab v3以及DeepLab v3+。 DeepLab v1《Semantic Image Segmentation w 閱讀全文

摘要： 【深度學習】總目錄 SegNet是Cambridge提出旨在解決自動駕駛或者智能機器人的圖像語義分割深度網絡，開放源碼，基于caffe框架。SegNet運用編碼-解碼結構和最大池化索引進行上采樣，最主要的貢獻是它在效率上的提升(內存和時間)。文章很長，消融實驗寫的很詳細，了解一下對以后改模型有所幫助 閱讀全文

摘要： 1 遍歷子模塊直接提取 對于簡單的模型，可以采用直接遍歷子模塊的方法，取出相應name模塊的輸出，不對模型做任何改動。該方法的缺點在于，只能得到其子模塊的輸出，而對于使用nn.Sequensial()中包含很多層的模型，無法獲得其指定層的輸出。 示例 resnet18取出layer1的輸出 from 閱讀全文

摘要： 語義分割任務常用的評價指標為Dice coefficient和IoU。Dice和IoU都是用來衡量兩個集合之間相似性的度量，對于語義分割任務而言即用來評估網絡預測的分割結果與人為標注結果之間的相似度。 1 混淆矩陣 混淆矩陣（confusion matrix）是一種特定的矩陣用來呈現算法性能的可視化 閱讀全文

摘要： 【深度學習】總目錄 語義分割的U-Net網絡是2015年誕生的模型，它幾乎是當前segmentation項目中應用最廣的模型。Unet能從更少的訓練圖像中進行學習，當它在少于40張圖的生物醫學數據集上訓練時，IOU值仍能達到92%。Unet網絡非常簡單，前半部分作用是特征提取，后半部分是上采樣。在一 閱讀全文

摘要： 在各種深度學習框架中，我們最常用的損失函數就是交叉熵，熵是用來描述一個系統的混亂程度，通過交叉熵我們就能夠確定預測數據與真實數據的相近程度。交叉熵越小，表示數據越接近真實樣本。 1 分類任務的損失計算 1.1 單標簽分類 二分類 單標簽任務，顧名思義，每個樣本只能有一個標簽，比如ImageNet圖像 閱讀全文

摘要： 全卷積網絡（FCN）是用于圖片語義分割的一種卷積神經網絡（CNN），由Jonathan Long，Evan Shelhamer 和Trevor Darrell提出，由此開啟了深度學習在語義分割中的應用。語義分割是計算機視覺領域很重要的一個分支，在自動駕駛、地面檢測等方面都起到很重要作用。與簡單區分前 閱讀全文

摘要： 1 分類網絡 1.1 AlexNet 1.2 GoogLeNet系列 1.3 ResNet深度殘差網絡 1.4 輕量級網絡MobileNet 2 目標檢測 2.1 R-CNN系列之論文理解 2.2 R-CNN系列之代碼實現 2.3 YOLO系列V1-V4 2.4 YOLOV5代碼解析(輸入端、Bac 閱讀全文

摘要： 【圖像處理筆記】總目錄 0 引言 1987年，小波被證明是多分辨率信號處理和分析的基礎。多分辨率理論融合并統一了來自不同學科的技術，包括來自信號處理的子帶編碼、來自數字語音識別的正交鏡像濾波及金字塔圖像處理。顧名思義，多分辨率理論涉及多個分辨率下的信號（或圖像）表示與分析。 曾經有人問我有關haar 閱讀全文