x-jeff blog

Make progress every day.

【YOLO系列】YOLOv5

YOLOv5

本文为原创文章,未经本人允许,禁止转载。转载请注明出处。 1.Ultralytics YOLOv5 Architecture YOLOv5没有发表官方论文。官方github地址:yolov5。本博文参考官方文档,因为YOLOv5还在不断的更新,本博文介绍的是YOLOv5的v6.0/6.1版本。 2.Model Structure YOLOv5框架包含3个主要部分: B...

【OpenCV基础】第四十二课:特征匹配

BFMatcher,FLANN

本文为原创文章,未经本人允许,禁止转载。转载请注明出处。 1.特征匹配 我们以SURF特征为例,在【OpenCV基础】第三十九课:SURF特征检测中,我们仅仅展示了SURF对特征点的检测结果。通常在检测完特征点后,我们还要计算每个点的特征描述子,然后通过特征描述子对两幅图像进行匹配。匹配的方式有很多,本文介绍两种常见的特征匹配方法。 2.Brute-force matcher ...

【论文阅读】YOLOv4:Optimal Speed and Accuracy of Object Detection

YOLOv4

本文为原创文章,未经本人允许,禁止转载。转载请注明出处。 1.Introduction 开源代码:https://github.com/AlexeyAB/darknet。 目前精度比较高的网络模型都不能做到实时检测,并且需要多个GPU来完成训练。我们提出一个可以实时检测的CNN模型,且训练只需要一块GPU即可。我们提出的YOLOv4的性能结果见Fig1。 我们的贡...

【C++基础】第九十一课:[面向对象程序设计]容器与继承

容器与继承

【C++基础】系列博客为参考《C++ Primer中文版(第5版)》(C++11标准)一书,自己所做的读书笔记。 本文为原创文章,未经本人允许,禁止转载。转载请注明出处。 1.容器与继承 当我们使用容器存放继承体系中的对象时,通常必须采取间接存储的方式。因为不允许在容器中保存不同类型的元素,所以我们不能把具有继承关系的多种类型的对象直接存放在容器当中。 举个例子,假定我们想定义...

【论文阅读】Path Aggregation Network for Instance Segmentation

PANet

本文为原创文章,未经本人允许,禁止转载。转载请注明出处。 1.Introduction 我们发现Mask R-CNN中的信息传播可以进一步被改善。具体来说,low level的特征有利于识别大型实例,但从低级特征到高级特征需要走过很长的路径,这增加了获取准确定位信息的难度。此外,每个proposal来自一个feature level,放弃了其他level中可能有用的信息。最后,m...

【Python基础】第四十七课:频繁样式探勘

Frequent Pattern Growth Tree算法,pymining

本文为原创文章,未经本人允许,禁止转载。转载请注明出处。 1.Apriori算法 Apriori算法的优点是简单,缺点是: 每一步产生的候选项集过多。 每一步计算项集的支持度时,都遍历了全部记录。 因此数据量很大的时候,Apriori算法的效率会很低。 2.FP Growth Tree 当数据量较大时,我们可以选择效率更高的Frequent Pattern G...

【论文阅读】Mask R-CNN

Mask R-CNN

本文为原创文章,未经本人允许,禁止转载。转载请注明出处。 1.Introduction 我们提出的用于实例分割的方法叫做Mask R-CNN,其通过在Faster R-CNN上新添加一个与类别分支和bounding box回归分支平行的一个mask分支,用于在每个RoI上预测分割mask,见Fig1。mask分支是应用在每个RoI上的一个小型FCN,通过pixel-to-pixe...

【C++基础】第九十课:[面向对象程序设计]构造函数与拷贝控制

构造函数与拷贝控制

【C++基础】系列博客为参考《C++ Primer中文版(第5版)》(C++11标准)一书,自己所做的读书笔记。 本文为原创文章,未经本人允许,禁止转载。转载请注明出处。 1.构造函数与拷贝控制 和其他类一样,位于继承体系中的类也需要控制当其对象执行一系列操作时发生什么样的行为,这些操作包括创建、拷贝、移动、赋值和销毁。如果一个类(基类或派生类)没有定义拷贝控制操作,则编译器将为...

【论文阅读】Feature Pyramid Networks for Object Detection

FPN

本文为原创文章,未经本人允许,禁止转载。转载请注明出处。 1.Introduction 识别不同尺度的物体是CV领域中一个基本的挑战。基于图像金字塔得到特征金字塔是这种问题的一个标准解决思路(如Fig1(a)所示)。这一思路在需要手工设计特征的年代非常流行,但是其速度很慢,比如DPM。 Fig1中蓝框表示feature map,框线越粗表示特征越强。 随着CNN的...

【机器学习基础】第四十七课:[特征选择与稀疏学习]嵌入式选择与L1正则化

L1正则化,L2正则化,岭回归,LASSO,近端梯度下降(PGD),连续函数,一致连续(均匀连续),利普希茨连续(Lipschitz continuity),利普希茨常数

【机器学习基础】系列博客为参考周志华老师的《机器学习》一书,自己所做的读书笔记。 本文为原创文章,未经本人允许,禁止转载。转载请注明出处。 1.嵌入式选择与L1正则化 在过滤式和包裹式特征选择方法中,特征选择过程与学习器训练过程有明显的分别;与此不同,嵌入式特征选择是将特征选择过程与学习器训练过程融为一体,两者在同一个优化过程中完成,即在学习器训练过程中自动地进行了特征选择。 ...