盡量選擇支援 voc 格式的資料集的演算法，目前仍然以兩階段為主，faster-rcnn-fpn 網路為 backubone 為主，以商湯 mmdetection 為代表。
voc 與 coco 資料集區別，coco 格式資料集作為輸入會過濾掉沒有目標的，會造成負樣本大量減少。voc 格式資料集作為輸入，不會過濾掉負樣本，會使得模型訓練更加充分。
資料再做 argumentation 時候要做充分，旋轉、翻轉、映象、明亮、模糊等。
目標檢測 目標檢測通用框架總結
目標檢測框架個人總結 以下是筆記中包含的內容 目標檢測網路框架總結 yolov4中有圖 從最開始的神經網路到現在深度更深，模組更多的目標檢測深度學習神經網路，如今大致可以分為two stage detector 典型的為rcnn系列 和 one stage detector 典型為yolo系列 每個...
目標檢測簡單總結
two stage 參考資料 按照stage可以分為 two stage 谷歌在speed accuracy trade offs for modern convolutional object detectors中將目標檢測模型分為了三種元結構faster r cnn，r fcn和ssd 網上文章...
目標檢測學習總結
準備踏入object detection的學習，先建乙個blog來記錄下自己的學習內容。在 目標檢測 任務中，主要解決的兩個問題，即影象中的多個目標物在 位置 以及是什麼？類別 通常來說，一般把其發展歷程分為三個階段 傳統的目標檢測方法 以r cnn為代表的結合region proposal和cnn...