原创 RetinaNet 理論與代碼詳解
RetinaNet 是來自Facebook AI Research 團隊2018年的新作，在當前的目標檢測領域是最強的網絡(速度/精度/複雜度)。下面兩張是基於COCO 本地測試集的實驗數據: 主要貢獻： 在One stage中
2020-06-27 13:05:12
原创 SSD: The Single Shot Detector
比YOLO: You Only Look Once 還要快，還要精確。保證速度的同時，其結果的 mAP 可與使用 region proposals 技術的方法（如 Faster R-CNN）相媲美。 爲了得到高精度的檢測結果，在不同層次的
2020-06-27 13:05:12
原创 YOLO V3 源碼分析
在輸入320×320的圖片後，YOLOv3能在22毫秒內完成處理，並取得28.2mAP的成績。它的精度和SSD相當，但速度要快上3倍。和舊版數據相比，v3版進步明顯。在Titan X環境下，YOLOv3的檢測精度爲57.9AP5057
2020-06-27 13:05:12
原创 YOLO模型詳解
YOLO將物體檢測作爲一個迴歸問題進行求解，輸入圖像經過一次inference，便能得到圖像中所有物體的位置和其所屬類別及相應的置信概率。而rcnn/fast rcnn/faster rcnn將檢測結果分爲兩部分求解：物體類別（分類問題）
2020-06-27 13:05:12
原创 目標檢測：從overfeat到Fast R-CNN
以下內容摘自斯坦福cs231n目標檢測課程： 計算機視覺任務： ImageNet 分類和定位任務： Idea #1：定位問題視爲迴歸問題 實現步驟： 1. 訓練（或下載）一個分類模型（AlexNet, VGG, Inception）
2020-06-11 01:12:43