yolo理论合集

yolo1

yolo理论合集
yolo理论合集
yolo理论合集
xy是小网格中的,(0,1)
w,h是整个图像中的 ,(0,1)
confidence=bounding box是否含有object×预测的与gt之间的iou。

每个目标的概率+预测的目标边界框与真实目标边界框的重合度。
yolo理论合集
yolo理论合集
yolo理论合集
为什么w和h要根号?
假设蓝色是预测的边界框,绿色是真实边界框。
假设目标越小 ,预测的边界框与真实边界框偏移相同的情况下 ,IOU就越大,检测效果越差。
因此,应将小目标的偏差设置得较大。
yolo理论合集
yolo理论合集
confidence损失的前一项是正样本(C=1)的损失计算,后者是负样本的( C=0)。

YOLOv1存在的问题:
1.因为每个cell只预测一组类别 ,所以对群体聚集的小目标检测结果较差。
2.输入尺寸变化时,检测效果较差;
3.定位不准确。(因为直接预测坐标信息)
yolo理论合集

yolo2

yolo理论合集
class大于9000
yolo理论合集
yolo理论合集
yolo理论合集
yolo理论合集
yolo理论合集
采用anchor偏移的方式,recall提升较高,map略微上升
yolo理论合集

yolo理论合集

yolo理论合集
yolo理论合集
t_0是confidence,也受到sigmoid限制。
yolo理论合集
高层和底层信息融合,以便更好地提取详细信息。
yolo理论合集
yolo理论合集

yolo理论合集
每10个batch,就随机输入网络的图片尺寸(32的倍数)。
yolo理论合集
用224是为了方便对比。
yolo理论合集
yolo理论合集
yolo理论合集

yolov3

yolo理论合集

yolo理论合集
yolo理论合集
用了新的backbone,效果持平同时fps也比较高。和resnet相比,没有最大池化层,而是用了卷积。
yolo理论合集
http://blog.csdn.net/qq_37541097/article/details/81214953
yolo理论合集
yolo理论合集
yolo理论合集
yolo理论合集
yolo理论合集
yolo理论合集
yolo理论合集
yolo理论合集
yolo理论合集
yolo理论合集
yolo理论合集

yolo理论合集

yolov3 spp (包括CIoU 和Focal Loss)

yolo理论合集

yolo理论合集
yolo理论合集
yolo理论合集
yolo理论合集

yolo理论合集

yolo理论合集
yolo理论合集
yolo理论合集
yolo理论合集
yolo理论合集
A^c是蓝色框,u是并集。GIoU在两者不相交时也可提供损失。
yolo理论合集
yolo理论合集

yolo理论合集
yolo理论合集
CIoU(D)是将C计算IoU时把其换成DIoU
yolo理论合集
yolo理论合集

yolo理论合集
负样本挖掘没focal loss好。
yolo理论合集

yolo理论合集
正样本和负样本。
yolo理论合集
困难样本。
右侧曲线显示:
p_t越大,就表示越容易分类。这部分就降低其权重。
越小越难分类,这部分权重增加。
yolo理论合集
这里用α来平衡γ(平衡套娃)。
yolo理论合集
前两个是容易分离的样品,所以最好减轻重量。

前提:数据标注必须正确。

版权声明:本文为博主ChunyeLi原创文章,版权归属原作者,如果侵权,请联系我们删除!

原文链接:https://blog.csdn.net/sinat_32512123/article/details/123166172

共计人评分,平均

到目前为止还没有投票!成为第一位评论此文章。

(0)
心中带点小风骚的头像心中带点小风骚普通用户
上一篇 2022年3月1日
下一篇 2022年3月1日

相关推荐