原创 YOLO系列論文筆記--YOLOv1
YOLOv1優點--預測爲false positives的樣例比較少，主要表現在YOLO是對整張圖片進行處理，能夠索取整體圖片的上下文信息，不像滑動窗口和基於區域建議技術（如Fast R-CNN），它是以圖像塊爲單位，用以對目標進行識別；
2018-08-31 06:58:12
14
原创 SSD: Single Shot MultiBox Detector
SSD: Single Shot MultiBox Detector總括--目的：單一網絡；將不同比例的特徵map的每個位置的boundingbox轉化成一組default box（默認的框）；預測時，計算每個default box中存在
2018-08-31 06:58:07
11
原创 YOLO系列論文筆記--YOLOv3
YOLOv3繼續的改進；比YOLOv2的網絡大，但準確率高仍舊快；320*320YOLOv3，28.2mAP，測試一張圖片22ms，與SSD一樣準確速度是SSD的三倍；YOLOv3的AP50爲57.9（51ms），RetinaNet爲57
2018-08-31 06:58:06
11
原创 YOLO系列論文筆記--YOLOv2
YOLOv2速度--YOLOv2：67FPS（76.8mAP on VOC2007）；40FPS（78.6mAP on VOC2007），mAP優於Fater R-CNN（ResNet和SSD）而且運行更快；目的--改進YOLO；--爲了
2018-08-31 06:58:03
原创 Focal Loss for Dense Object Detection筆記
Focal Loss for Dense Object Detection--目的：目前目標檢測的框架一般分爲兩種，基於候選區域的two-stage的檢測框架（稀疏的候選目標位置）和基於迴歸的one-stage的檢測框架（可能的目標位置上
2018-08-31 06:58:03
11