https://www.bilibili.com/video/BV1yi4y1g7ro?p=2 讲的不错 v2框架 v3框架： 深度拼接， 而FPN是在对应维度上进行相加。 one stage存在正负样本不均衡问题： RPN把正负样本占比限制在1：3 yolov5创新点： yolov4采用了Mosa ...
分类：
其他好文 时间：
2021-06-28 19:39:35
阅读次数：
0
分享一个非常好的深度学习项目实战视频课程-人脸检测课程 01-人脸检测项目概述( 02-课程数据，代码下载链接.txt 03-数据收集 04-正负样本裁剪策略 05-Caffe数据源准 06-LMDB脚本文件 07-制作LMDB数据源 08-网络模型配置文件 09-选择合适的参数并训练网络模型 10 ...
分类：
其他好文 时间：
2020-09-24 00:06:12
阅读次数：
43
""" 评价模型的核心函数：根据得到的正负样本，输出：P，R，map等 """ #验证集或测试集都可以用 def evaluate(model, path, iou_thres, conf_thres, nms_thres, img_size, batch_size): model.eval() # ...
分类：
其他好文 时间：
2020-09-11 14:15:31
阅读次数：
46
目前大部分常用的目标检测算法都是基于anchor的，比如Faster RCNN系列，SSD，YOLO（v2、v3）等，引入anchor后检测效果提升确实比较明显（比如YOLO v1和YOLO v2），但是引入anchor的缺点在于：1、正负样本不均衡。大部分检测算法的anchor数量都成千上万，但是 ...
分类：
Web程序 时间：
2020-07-08 13:16:18
阅读次数：
83
参考博客：https://www.cnblogs.com/king-lps/p/9497836.html 在yolov3中可以使用focal loss，这是什么东西呢，这个loss主要是解决正负样本不均衡的问题的，该损失函数降低了大量简单负样本在训练中所占的权重，也可理解为一种困难样本挖掘。 原来的 ...
分类：
其他好文 时间：
2020-07-06 20:17:23
阅读次数：
67
论文指出one stage anchor based和center based anchor free检测算法间的差异主要来自于正负样本的选择，基于此提出ATSS(Adaptive Training Sample Selection)方法，该方法能够自动根据GT的相关统计特征选择合适的anchor ...
分类：
其他好文 时间：
2020-04-30 13:47:09
阅读次数：
81
参考资料：https://zhuanlan.zhihu.com/p/46714763 ROC/AUC作为机器学习的评估指标非常重要，也是面试中经常出现的问题（80%都会问到）。其实，理解它并不是非常难，但是好多朋友都遇到了一个相同的问题，那就是：每次看书的时候都很明白，但回过头就忘了，经常容易将概念 ...
分类：
其他好文 时间：
2019-12-12 21:13:16
阅读次数：
136
很好的一篇文章，不愧是reid大组中山大学Weishi-Zheng老师的工作 文章的基本出发点很有意思：用source domain的feature做作为参考，衡量target domain images是否相似，从而构成正负样本进行contrasive learning和domain adapti ...
分类：
其他好文 时间：
2019-11-23 21:57:49
阅读次数：
197
CVPR 2019 论文解读 | 小样本域适应的目标检测 成对训练 ...
分类：
其他好文 时间：
2019-10-02 14:27:25
阅读次数：
301
2019-08-27 11:01:52 问题描述：对于二分类问题，如果在训练的时候正负样本集合非常的不均衡，比如出现了1 ：1000甚至更大的比例悬殊，那么如何处理数据以更好的训练模型。 问题求解： 为什么很多的分类模型在训练数据的时候会出现数据不均衡的问题呢？本质原因是模型在训练时优化的目标函数和 ...
分类：
其他好文 时间：
2019-08-27 12:35:38
阅读次数：
81
