博客相关
Hexo博客 | 视频点播页面,如何在博客上优雅地展示B站等平台视频
之前考虑到自己剪了一些vlog,但是直接用`iframe`嵌入的话页面会很长,而且点开这个页面会自动加载全部视频,感觉很奇怪,并且不能很好的展示,于是写了一个视频点播页面,最近有小伙伴留言问我的视频页面是怎么做的,于是我写一篇文章......
人工智能
旋转目标检测 | R3Det,基于特征精炼的单阶段检测模型
作者称对于旋转目标检测存在三个挑战:大宽高比;密集排列;方向任意,因此针对上述问题,作者提出了R3Det,其通过特征精炼模块解决了精炼过程中特征未对齐的问题...
博客相关
记录 | 博客运行超过1000天啦,继续砥砺前行
时间过得真快,不知不觉中Justlovesmile的博客已经运行超过1000天啦,我还记得自己第一次建立博客那天,刚考完期末考试,回到寝室,室友说他发现了一个特别好看的个人网站,我看着那个网站,心中萌发出我也要拥有一个自己的博客的想法。
人工智能
目标检测 | FPN,多尺度目标检测经典Backbone
在2017年以前,目标检测中的一个基本挑战就是目标检测模型在处理目标多尺度变化问题的不足,因为在当时很多网络都使用了利用单个高层特征,而图像金字塔结构虽然也能解决多尺度问题,但计算量大,内存消耗大,因此作者提出了FPN结构。
人工智能
小样本学习 | ProtoNet,基于度量的Few-Shot分类网络
ProtoNet,即原型网络,其想法非常直接但有效,即对每张图像都先用神经网络得到一个特征表示,然后对支持集中每个类别的所有特征取一个平均,作为这个类别的类中心,最后比较查询集和各个类中心之间的距离,取最近的一个类别作为预测结果。
博客相关
博客相关 | 如何提取图片主题色并自动选择标题字体颜色
今天在写博客的时候,做了一个封面图,然后hexo cl && hexo g && gulp && hexo s一键生成,点开后却发现这个标题的字体颜色亮瞎我的眼睛,于是试了很多帖子,终于把它改好了
人工智能
目标检测 | YOLOv1,经典单阶段Anchor-Free目标检测模型
YOLO作者提到人可以一眼看到目标在哪,能立即知道是什么,并且对于很多实际场景而言,如自动驾驶,实时性和准确性都是非常重要的。针对上述问题,作者提出了经典的YOLO算法,它是一个统一的,端到端的单阶段目标检测算法。
人工智能
目标检测 | SSD,经典单阶段Anchor-Based目标检测模型
SSD算法,其英文全名是Single Shot MultiBox Detector, SSD的优势在于消除了bounding box proposal和pixel or feature resampling,并使用了multi-scale,因此达到了比Faster R-CNN和YOLO更高的检测精度和更快的检测速度。
人工智能
目标检测 | FCOS,经典单阶段Anchor-Free目标检测模型
FCOS是一种基于全卷积的单阶段目标检测算法,并且是一种Anchor box free的算法。其实现了无Anchor,无Proposal,并且提出了Center-ness的思想,极大的提升了Anchor-Free目标检测算法的性能。
人工智能
深度学习 | Detectron2使用指南
Detectron2是Facebook AI Research的检测和分割框架,其主要基于PyTorch实现,但具有更模块化设计,因此它是灵活且便于扩展的,具体简介可见Github库和Meta AI Blog Post。
博客相关
Hexo博客 | 如何让Butterfly主题导航栏居中
最近有很多小伙伴留言问我ButterFly主题的导航栏是怎么居中的,说实话我的博客样式其实都是一点一点从其他博主的博客那模仿来的,所以样式修改的时间跨度有点长,我自己也不太清楚具体改了哪些地方,但是鉴于问的小伙伴太多,我决定把导航栏文件全部展示出来......
人工智能
目标检测 | RetinaNet,经典单阶段Anchor-Based目标检测模型
RetinaNet是He Kaiming等人在提出的一种单阶段目标检测算法,其针对现有单阶段检测模型中前后景(正负样本)类别的不平衡问题,提出了Focal Loss损失函数,用来降低大量easy negatives样本在标准交叉熵中所占权重。
人工智能
目标检测 | Faster R-CNN,经典两阶段检测模型
Faster R-CNN是He Kaiming等人在R-CNN和Fast R-CNN的基础上提出的一种两阶段目标检测算法,其主要包括:特征提取网络(Backbone),RPN(Region Proposal Networks),RoI Pooling(Region of Interesting Pooling)以及分类回归(Classification and Regression)。