本文致力于让读者对以下这些模型的创新点和设计思想有一个大体的认识，从而知晓YOLOv1到YOLOv4的发展源流和历史演进，进而对目标检测技术有更为宏观和深入的认知。本文讲解的模型包括：YOLOv1,SSD,YOLOv2,YOLOv3,CenterNet,EfficientDet,YOLOv4。R-CNN        候选区域SPP-Net    和R-CNN最大区别是什么？        先提取特征，再对候选区域做处理？FastR-CNN:     并行选择性搜索算法和ConvNet提取特征    将SPPNet中的金字塔池化替换为RoI池化层FasterR-CNN    每个候选框一个分数

文章目录前言网络结构Backbone数据读取Loss计算模型预测预测结果后处理预测框转换训练tensorboard可能会出现的现象总结论文:https://arxiv.org/abs/1904.07850前言之前博文介绍的目标检测算法如：Yolo系列、FasterRCNN等，这些基于先验框去进行预测的目标框的算法，我们称为anchor-base。即使是anchor-base中的one-stage算法，因为其复杂后处理，也常常被人诟病不是真正的end2end算法。在目标检测领域中，还有另一种不用基于先验框的模式，我们称之为anchor-free。anchor-free的定义就很简单了，输入一张图

写在前面的话最近学校阳了，宿舍给封了，宿舍网络不好远程跑不了实验，随缘写一下对CenterNet源码的一个解读，之前写论文的那段时间留下来的工作，respect！这个文章主要是对CenterNet中生成高斯核的部分代码进行解析，具体原理不会细讲，但是本文增加了一个很方便理解的可视化的代码，可以自己拿来跑就行，自己debug应该也可以理解作者的意思，希望对读者有帮助。可视化代码下载链接：https://download.csdn.net/download/weixin_42899627/87157112Centernet源码位置本文核心代码在CenterNet/src/lib/utils/ima

写在前面的话最近学校阳了，宿舍给封了，宿舍网络不好远程跑不了实验，随缘写一下对CenterNet源码的一个解读，之前写论文的那段时间留下来的工作，respect！这个文章主要是对CenterNet中生成高斯核的部分代码进行解析，具体原理不会细讲，但是本文增加了一个很方便理解的可视化的代码，可以自己拿来跑就行，自己debug应该也可以理解作者的意思，希望对读者有帮助。可视化代码下载链接：https://download.csdn.net/download/weixin_42899627/87157112Centernet源码位置本文核心代码在CenterNet/src/lib/utils/ima

摘要：本案例是CenterNet-Hourglass论文复现的体验案例，此模型是对ObjectsasPoints中提出的CenterNet进行结果复现。本文分享自华为云社区《CenterNet-Hourglass(物体检测/Pytorch)》，作者：HWCloudAI。目标检测常采用Anchor的方法来获取物体可能存在的位置，再对该位置进行分类，这样的做法耗时、低效，同时需要后处理（比如NMS）。CenterNet将目标看成一个点，即目标boundingbox的中心点，整个问题转变成了关键点估计问题，其他目标属性，比如尺寸、3D位置、方向和姿态等都以估计的中心点为基准进行参数回归。本案例是Ce

摘要：本案例是CenterNet-Hourglass论文复现的体验案例，此模型是对ObjectsasPoints中提出的CenterNet进行结果复现。本文分享自华为云社区《CenterNet-Hourglass(物体检测/Pytorch)》，作者：HWCloudAI。目标检测常采用Anchor的方法来获取物体可能存在的位置，再对该位置进行分类，这样的做法耗时、低效，同时需要后处理（比如NMS）。CenterNet将目标看成一个点，即目标boundingbox的中心点，整个问题转变成了关键点估计问题，其他目标属性，比如尺寸、3D位置、方向和姿态等都以估计的中心点为基准进行参数回归。本案例是Ce