在基於深度學習的目標檢測任務中，訓練集與測試集樣本分佈的不一致是乙個影響模型表現的常見因素，
為了使得訓練集的分布與測試集一致，我們需要採用一定的樣本增廣操作；
可以看到在「第五類和第八類訓練資料較少（但是測試集中佔比不少）」的問題中，我們一眼就明白，這是乙個類別分布不一致的問題；
（但是這是不是乙個類別不平衡問題呢，我們一般不這樣說；我們認為由於metric對各種類別同一看待，而訓練集中各個類別數量佔比差異巨大引起的問題，稱作類別的不平衡問題）
根據鐘老師的指導，我們知道，我們可以採用「偽標籤」的形式對資料進行eda，獲取測試集的類別分布的資訊；
目標檢測YOLO的學習筆記
近幾年來，目標檢測演算法取得了很大的突破。比較流行的演算法可以分為兩類，一類是基於region proposal的r cnn系演算法 r cnn，fast r cnn,faster r cnn 它們是two stage的，需要先使用啟發式方法 selective search 或者cnn網路 rpn...
深度學習 目標檢測理論筆記
主要內容來自於對 專知深度學習 高君宇 教學資料的梳理筆記 和 來自網際網路知識的輔助理解，感謝。目標檢測就是在一張中找到所有的物體並且給出其類別和邊框 bounding box 如圖。早期的目標檢測有很多模型，典型的有基於部件的模型 dpm pedro f在2010年提出來的利用hog對多精度下的...
目標檢測學習筆記 DSSD演算法
ssd具有如下主要特點 1 從yolo中繼承了將detection轉化為regression的思路，同時一次即可完成網路訓練 2 基於faster rcnn中的anchor，提出了相似的prior box 3 加入基於特徵金字塔 pyramidal feature hierarchy 的檢測方式 y...