Date:2022.4.17文章目录前言1、篡改视频生成2、篡改检测2.1、二次切比雪夫检测2.2、k-means检测3、运行结果分析前言在之前的时候，毕业设计中实现了基于帧间相关性和K-means的视频篡改检测算法，效果不错，采用matlab语言实现。主要思路包括：利用相关性变化度为特征，利用二次切比雪夫挑出离群点（异常点）；利用K-means聚类算法检测视频异常点需要相关代码可以加文章最后的QQ名片咨询博主。1、篡改视频生成篡改的类型包括：视频帧删除、视频帧插入和视频帧替换。2、篡改检测以视频帧替换为例：篡改视频如下：
Date:2022.4.17文章目录前言1、篡改视频生成2、篡改检测2.1、二次切比雪夫检测2.2、k-means检测3、运行结果分析前言在之前的时候，毕业设计中实现了基于帧间相关性和K-means的视频篡改检测算法，效果不错，采用matlab语言实现。主要思路包括：利用相关性变化度为特征，利用二次切比雪夫挑出离群点（异常点）；利用K-means聚类算法检测视频异常点需要相关代码可以加文章最后的QQ名片咨询博主。1、篡改视频生成篡改的类型包括：视频帧删除、视频帧插入和视频帧替换。2、篡改检测以视频帧替换为例：篡改视频如下：
目录一、简介二、IoU（IntersectionoverUnion）三、GIoU（GeneralizedIoU）四、DIoU（Distance-IoU）五、CIoU(Complete-IoU)六、EIoU(Efficient-IoU)七、pytorch代码实现八、总结一、简介 在目标检测任务中，常用到一个指标IoU，即交并比，IoU可以很好的描述一个目标检测模型的好坏。在训练阶段IoU可以作为anchor-based方法中，划分正负样本的依据；同时也可用作损失函数；在推理阶段，NMS中会用到IoU。同时IoU有着比较严重的缺陷，于是出现了GIoU、DIoU、CIoU、EIoU，下
目录一、简介二、IoU（IntersectionoverUnion）三、GIoU（GeneralizedIoU）四、DIoU（Distance-IoU）五、CIoU(Complete-IoU)六、EIoU(Efficient-IoU)七、pytorch代码实现八、总结一、简介 在目标检测任务中，常用到一个指标IoU，即交并比，IoU可以很好的描述一个目标检测模型的好坏。在训练阶段IoU可以作为anchor-based方法中，划分正负样本的依据；同时也可用作损失函数；在推理阶段，NMS中会用到IoU。同时IoU有着比较严重的缺陷，于是出现了GIoU、DIoU、CIoU、EIoU，下
前言聚类问题是无监督学习的问题，算法思想就是物以类聚，人以群分，聚类算法感知样本间的相似度，进行类别归纳，对新输入进行输出预测，输出变量取有限个离散值。本次我们使用两种方法对鸢尾花数据进行聚类。无监督就是没有标签的进行分类K-means聚类算法K-means聚类算法（k-均值或k-平均）聚类算法。算法思想就是首先随机确定k个中心点作为聚类中心，然后把每个数据点分配给最邻近的中心点，分配完成后形成k个聚类，计算各个聚类的平均中心点，将其作为该聚类新的类中心点，然后迭代上述步骤知道分配过程不在产生变化。算法流程随机选择K个随机点（成为聚类中心）对数据集中的每个数据点，按照距离K个中心点的距离，将其
前言聚类问题是无监督学习的问题，算法思想就是物以类聚，人以群分，聚类算法感知样本间的相似度，进行类别归纳，对新输入进行输出预测，输出变量取有限个离散值。本次我们使用两种方法对鸢尾花数据进行聚类。无监督就是没有标签的进行分类K-means聚类算法K-means聚类算法（k-均值或k-平均）聚类算法。算法思想就是首先随机确定k个中心点作为聚类中心，然后把每个数据点分配给最邻近的中心点，分配完成后形成k个聚类，计算各个聚类的平均中心点，将其作为该聚类新的类中心点，然后迭代上述步骤知道分配过程不在产生变化。算法流程随机选择K个随机点（成为聚类中心）对数据集中的每个数据点，按照距离K个中心点的距离，将其
在YoloV5中添加EIoU,SIoU,AlphaIoU,FocalEIoU,Wise-IoU.2023-2-7更新yolov5添加Wise-IoUB站链接重磅！！！！！YOLO模型改进集合指南-CSDNyolov5中box_iou其默认用的是CIoU，其中代码还带有GIoU，DIoU，文件路径：utils/metrics.py，函数名为：bbox_ioudefbbox_iou(box1,box2,xywh=True,GIoU=False,DIoU=False,CIoU=False,eps=1e-7):#ReturnsIntersectionoverUnion(IoU)ofbox1(1,4)t
在YoloV5中添加EIoU,SIoU,AlphaIoU,FocalEIoU,Wise-IoU.2023-2-7更新yolov5添加Wise-IoUB站链接重磅！！！！！YOLO模型改进集合指南-CSDNyolov5中box_iou其默认用的是CIoU，其中代码还带有GIoU，DIoU，文件路径：utils/metrics.py，函数名为：bbox_ioudefbbox_iou(box1,box2,xywh=True,GIoU=False,DIoU=False,CIoU=False,eps=1e-7):#ReturnsIntersectionoverUnion(IoU)ofbox1(1,4)t
1 Wise-IOU损失函数边界框回归（BBR）的损失函数对于目标检测至关重要。它的良好定义将为模型带来显著的性能改进。大多数现有的工作假设训练数据中的样本是高质量的，并侧重于增强BBR损失的拟合能力。如果盲目地加强低质量样本的BBR，这将危及本地化性能。FocalEIoUv1被提出来解决这个问题，但由于其静态聚焦机制（FM），非单调FM的潜力没有被充分利用。基于这一思想，作者提出了一种基于IoU的损失，该损失具有动态非单调FM，名为WiseIoU（WIoU）。当WIoU应用于最先进的实时检测器YOLOv7时，MS-COCO数据集上的AP75从53.03%提高到54.50%。现有工作记锚框为，
1 Wise-IOU损失函数边界框回归（BBR）的损失函数对于目标检测至关重要。它的良好定义将为模型带来显著的性能改进。大多数现有的工作假设训练数据中的样本是高质量的，并侧重于增强BBR损失的拟合能力。如果盲目地加强低质量样本的BBR，这将危及本地化性能。FocalEIoUv1被提出来解决这个问题，但由于其静态聚焦机制（FM），非单调FM的潜力没有被充分利用。基于这一思想，作者提出了一种基于IoU的损失，该损失具有动态非单调FM，名为WiseIoU（WIoU）。当WIoU应用于最先进的实时检测器YOLOv7时，MS-COCO数据集上的AP75从53.03%提高到54.50%。现有工作记锚框为，
