pytorch下对简单的数据进行分类(classification)

看了Movan大佬的文字教程让我对pytorch的基本使用有了一定的了解,下面简单介绍一下二分类用pytorch的基本实现！ 希望详细的注释能够对像我一样刚入门的新手来说有点帮助！ import torch import torch.nn.functional as F import matplotlib.pyplot as plt from torch.autograd import Variable n_data = to

目标检测：从overfeat到Fast R-CNN

以下内容摘自斯坦福cs231n目标检测课程： 计算机视觉任务： ImageNet 分类和定位任务： Idea #1：定位问题视为回归问题 实现步骤： 1. 训练（或下载）一个分类模型（AlexNet, VGG, Inception） 2. 添加新的全连接层用作“回归” 3. 仅训练“回归”模块，SGD，L2 Loss 4. 测试时加入“分类”和“回归” 回归分为两种： 独立于类别的回归： Class agnos

caffe中protobuf问题

安装caffe时，protobuf在使用import caffe时，python版的会提示protobuf的问题，原因是因为protobuf的安装是用python-proto，而在安装anaconda后，所有的python都又用的是anaconda的，因此需要将protobuf换anaconda的版本，解决办法就是从新pip install protobuf，这个时候就是用的anaconda的python进行编译protobuf了，

CutMix&Mixup详解与代码实战

本文分享自华为云社区《CutMix&Mixup详解与代码实战》，作者：李长安。 引言 最近在回顾之前学到的知识，看到了数据增强部分，对于CutMix以及Mixup这两种数据增强方式发现理解不是很到位，所以这里写了一个项目再去好好看这两种数据增强方式。最开始在目标检测中，未对数据的标签部分进行思考，对于图像的处理，大家是可以很好理解的，因为非常直观，但是通过阅读相关论文，查看一些相关的资料发现一些新的有趣的东西。接下来为大家讲解

ubuntu16.04安装caffe常见问题及其解决方案

问题一、ImportError: No module named cv2 解决方案：sudo apt-get install python-opencv   问题二、ImportError: No module named _caffe 解决方案：在make all编译后make pycaffe   问题三、ImportError: No module named flask.ext.socketio 解决方案：sudo pi

目标检测–Enhancement of SSD by concatenating feature

Enhancement of SSD by concatenating feature maps for object detection BMVC 2017 本文是对SSD 的改进，通过牺牲一点速度来提高精度，主要解决SSD 两个问题：1）同一目标多次检测，2）小目标检测率不高 改进的地方： 1）将不同尺度的 特征图 融合起来； 2）增加 feature pyramid 网络层的特征图数量； 3）因为不同尺度特征图数量一样，可以

介绍一个相对小众的深度学习框架Darknet，其YOLO神经网络算法对目标检测效果显著

Darknet——一个源码为C的神经网络框架   今天路同学介绍一个相对小众的深度学习框架——Darknet。 与流行的Tensorflow以及Caffe框架相比，Darknet框架在某些方面有着自己独特的优势。 关于Darknet深度学习框架 Darknet深度学习框架是由Joseph Redmon提出的一个用C和CUDA编写的开源神经网络框架。它安装速度快，易于安装，并支持CPU和GPU计算。 你可以在GitHub上找到源代码

Halcon学习：简单目标检测（人脸识别）

此代码只是简单的实现了框选物的检测追踪。基本逻辑是基于相关性的模板匹配。如果有人脸识别库的话，可以进行人脸识别。以后会完善代码实现实时的目标追踪。 1 *此文件夹含有多张相似的实拍图，用于检测算法的模板追踪 2 list_files (\'C:/Users/zx80-165/Desktop/模板追踪图\', \'files\', ImageFiles) 3 l:=|ImageFiles| 4 re

目标检测后处理：从nms到softer nms

对于目标检测算法Postprocess部分，最早用的是NMS，后面出现了Soft NMS和Softer NMS，本文将分别解释它们的动机和原理，希望能对大家有所帮助。Tensorflow, pytorch等主流框架中均有NMS的实现。 1 NMS NMS，它的全称为“non-maximum supression”。为什么要使用nms呢？因为在目标检测任务中，不管是one-stage还是two-stage的算法，最终算法都会预测出多个

目标检测常用损失函数-类别损失+位置损失

目录 类别损失 1. 交叉熵损失 Cross Entropy Loss 2. Focal Loss 改进的交叉熵损失函数 位置损失 1. L1 Loss 平均绝对误差（Mean Absolute Error, MAE） 2. L2 Loss  均方误差损失（Mean Square Error, MSE） 3. Smooth L1 Loss 4. IoU Loss 5. GIoU Loss 6. DIoU Loss . CIoU Lo

仅有 100k 参数的高效显著性目标检测方法

作者 | 南开大学 程明明、依图科技 颜水成 译者 | 刘畅  责编 | Carol 本文介绍ECCV 2020 录用论文：Highly Efficient Salient Object Detection with 100K Parameters ，代码已开源。 显著性目标检测模型通常需要花费大量的计算成本才能对每个像素进行精确的预测，因此这使得其几乎不适用于低功耗的设备。 本文旨在通过提高网络计算效率来缓解计算花费与模型性

目标检测—综述

目标检测：2014~2019方法汇总各网络的源码：https://github.com/hoya012/deep_learning_object_detection 二维目标检测的优化方向 二维目标检测实现和优化方向包括backbone、IoU、损失函数、NMS、anchor、one shot learning/zero shot learning等。 基于目标检测的backbone和特征提取目标检测的backbone一般基

目标检测(8)-Yolo v3

学习 Yolo v3 之前需要学习 v1，v2 Yolo v3 较 v1、v2 并没有太多的创新，主要是融合了其他的 trick，不过效果还可以； 主要改进有 3 点： 1. 主网络为 Darknet-53，借鉴了 resnet 2. 多尺度特征，大大提高了小物体的识别 3. softmax 多分类改为 多个二分类   Darknet-53 Darknet-53 借鉴了 resnet 的思路，网络结构也是作者自己设计，可更改  

目标检测总结：RCNN系列（2）

目标检测总结：RCNN系列（2） RPN 上一篇介绍了RCNN和Fast RCNN，本文介绍RCNN系列的终极版本，FasterRCNN。Faster RCNN虽然是2015年的论文，但它至今认识许多目标检测算法的基础。FasterRCNN可以看做是RPN（region proposal network） + fast RCNN的系统，用RPN代替了之前的selective search 来进行region propo

基于TensorFlow+SSD的目标检测(代码运行笔记)

一、代码来源：https://github.com/balancap/SSD-Tensorflow二、使用工具：Ubuntu14.04、Python3.5、jupyter、pip3安装Python3.5：sudo apt-get install python3安装pip3:sudo apt-get install python3-pip安装jupyter：pip3 install --upgrade pippip3 install