YOLOv4是一个单阶段的物体检测模型，它在 YOLOv3 的基础上改进了文献中介绍的技巧和模块。有大量的技巧可以提高卷积神经网络（CNN）的精度。需
Few-shot YOLOv3: Few-shot Object Detection on Optical Remote Sensing Images
需要注意的是在SAT的反向传播的过程中，是不需要改变网络权值的。CBN：每次iteration中的BN数据是其之前n次数据和当前数据的和（对非当前ba
这是我在学习Faster-RCNN的原理时做的学习总结，个人感觉还是比较详细的。
烧录jetson4.6系统的镜像到sd卡，并部署好deepstream的一切准备工作。
目标检测任务只需标注出物体位置，实例分割任务不仅要标注出物体位置，还需要标注出物体的外形轮廓。
RadSegNet: A Reliable Approach to Radar Camera Fusion 论文笔记
我们设定步长step_x =原图的w/特征图的w，step_y等类似。我的理解为step_x是感受野的宽，就是特征图上的一个网格（一个像素1*1）在原
在本文中，作者提出了一种基于高斯感受野的标签分配（RFLA）策略用于微小目标检测。并提出了一种新的感受野距离（RFD）来直接测量高斯感受野和地面真值之
目录(1)、目标检测中NMS使用在哪步？(2)、epoch、batch size和iterations之间的关系(3)PASCAL VOC
coco数据集的评价指标的计算还是比较复杂的，代码写的也比较凝炼，最近要计算目标检测的混淆矩阵，我看mmdet的计算方式比较奇怪，本着P和R等计算方法
YoLoV3模型的网络结构大致如下图所示，其主要由三部分组成：Backbone网络提取图像特征、构建特征金字塔FPN实现特征融合、使用YoLo Hea
本文介绍的网络可以理解为SSD目标检测的简化版本，可以让我们很好的入门。
背景技术行人检测要求准确判断输入图像或视频是否包含行人，并给出行人在图像中的空间坐标信息，广泛应用于智能监控、地区侦查、人体行为理解、自动驾驶等领域。
三维对象通常表示为点云中的 3D 框。这种表示模仿了基于图像的 2D 边界框检测，但也带来了额外的挑战。3D 世界中的对象不遵循任何特定的方向，基于框
