可学习感知图像块相似度(LearnedPerceptualImagePatchSimilarity,LPIPS) 项目主页：https://richzhang.github.io/PerceptualSimilarity/论文地址：https://arxiv.org/abs/1801.03924开源代码：https://github.com/richzhang/PerceptualSimilarity可学习感知图像块相似度(LearnedPerceptualImagePatchSimilarity,LPIPS)也称为“感知损失”(perceptualloss)，用于度量两张图像之间的差别。来源
一、前言我们在实际开发中肯定会遇到后端的时间传到前端是这个样子的：2022-08-02T15:43:50这个时候前后端就开始踢皮球了，！！后端说：前端来做就可！前端说：后端来做就可！作为一名有责任感的后端，这种事情怎么能让前端来搞呢！还有就是Long类型的返回到前端可能会损失精度，这个情况只能后端来做了！解决方案还是看的开源框架，人家写的，咱就不造轮子了！直接开车！！二、错误示范带着T非常不好，产品要求不带，哈哈，一切按照原型来哦！！下面的testNum的值是Long类型的最大值：9223372036854775807，这样就会损失精度成：9223372036854776000三、导入依赖 o
一、前言我们在实际开发中肯定会遇到后端的时间传到前端是这个样子的：2022-08-02T15:43:50这个时候前后端就开始踢皮球了，！！后端说：前端来做就可！前端说：后端来做就可！作为一名有责任感的后端，这种事情怎么能让前端来搞呢！还有就是Long类型的返回到前端可能会损失精度，这个情况只能后端来做了！解决方案还是看的开源框架，人家写的，咱就不造轮子了！直接开车！！二、错误示范带着T非常不好，产品要求不带，哈哈，一切按照原型来哦！！下面的testNum的值是Long类型的最大值：9223372036854775807，这样就会损失精度成：9223372036854776000三、导入依赖 o
本文章将结合代码对yolov5损失函数部分进行详细说明，包含其中的样本匹配问题。如果还需要学习关于yolov5其他部分内容，可以参考我其他文章。yolov5语义分割： yolov5图像分割中的NMS处理 yolov5图像分割Segmentation函数yolov5trt学习： yolov5trt推理【python版】yolov5剪枝： yolov5剪枝通过yaml修改yolov5： 通过yaml修改yolov5网络iou样本匹配：
本文章将结合代码对yolov5损失函数部分进行详细说明，包含其中的样本匹配问题。如果还需要学习关于yolov5其他部分内容，可以参考我其他文章。yolov5语义分割： yolov5图像分割中的NMS处理 yolov5图像分割Segmentation函数yolov5trt学习： yolov5trt推理【python版】yolov5剪枝： yolov5剪枝通过yaml修改yolov5： 通过yaml修改yolov5网络iou样本匹配：
论文地址：Wise-IoU:BoundingBoxRegressionLosswithDynamicFocusingMechanismGitHub：https://github.com/Instinct323/wiou摘要：目标检测作为计算机视觉的核心问题，其检测性能依赖于损失函数的设计。边界框损失函数作为目标检测损失函数的重要组成部分，其良好的定义将为目标检测模型带来显著的性能提升。近年来的研究大多假设训练数据中的示例有较高的质量，致力于强化边界框损失的拟合能力。但我们注意到目标检测训练集中含有低质量示例，如果一味地强化边界框对低质量示例的回归，显然会危害模型检测性能的提升。Focal-EI
论文地址：Wise-IoU:BoundingBoxRegressionLosswithDynamicFocusingMechanismGitHub：https://github.com/Instinct323/wiou摘要：目标检测作为计算机视觉的核心问题，其检测性能依赖于损失函数的设计。边界框损失函数作为目标检测损失函数的重要组成部分，其良好的定义将为目标检测模型带来显著的性能提升。近年来的研究大多假设训练数据中的示例有较高的质量，致力于强化边界框损失的拟合能力。但我们注意到目标检测训练集中含有低质量示例，如果一味地强化边界框对低质量示例的回归，显然会危害模型检测性能的提升。Focal-EI
前言：作为当前先进的深度学习目标检测算法YOLOv5，已经集合了大量的trick，但是还是有提高和改进的空间，针对具体应用场景下的检测难点，可以不同的改进方法。此后的系列文章，将重点对YOLOv5的如何改进进行详细的介绍，目的是为了给那些搞科研的同学需要创新点或者搞工程项目的朋友需要达到更好的效果提供自己的微薄帮助和参考。解决问题：YOLOv5采用CIOU损失函数，优点：CIOU就是在DIOU的基础上增加了检测框尺度的loss，增加了长和宽的loss，这样预测框就会更加的符合真实框。但是缺点是：1.纵横比描述的是相对值，存在一定的模糊2.未考虑难易样本的平衡问题。针对以上问题，采用EIOU的
前言：作为当前先进的深度学习目标检测算法YOLOv5，已经集合了大量的trick，但是还是有提高和改进的空间，针对具体应用场景下的检测难点，可以不同的改进方法。此后的系列文章，将重点对YOLOv5的如何改进进行详细的介绍，目的是为了给那些搞科研的同学需要创新点或者搞工程项目的朋友需要达到更好的效果提供自己的微薄帮助和参考。解决问题：YOLOv5采用CIOU损失函数，优点：CIOU就是在DIOU的基础上增加了检测框尺度的loss，增加了长和宽的loss，这样预测框就会更加的符合真实框。但是缺点是：1.纵横比描述的是相对值，存在一定的模糊2.未考虑难易样本的平衡问题。针对以上问题，采用EIOU的
目录GAN的训练过程：L1和L2损失函数的区别基础概念相同点差异GAN的训练过程：1、先定义一个标签：real=1，fake=0。当然这两个值的维度是按照数据的输出来看的。再定义了两个优化器。用于生成器和判别器。2、随机生成一个噪声z。将z作为生成器的输入，输出gen_imgs（假样本）。3、计算生成器的损失定义：生成器的损失为g_loss。损失函数为adverisal_loss()。判别器为discriminator()。g_loss=adverisal_loss(discriminator(gen_imgs),real)g_loss.backward()optimizer_G.step()
