Justlovesmile's BLOG

在遥感图像目标检测中感兴趣目标不再像COCO，VOC中那样在水平方向上垂直放置。对于场景文本检测，文本可以在任何方向和位置上进行检测。尤其是遥感图像面临以上三个挑战：①小目标②杂乱无章的排列③任意方向...

由于前段时间JsdelivrCDN加速的崩盘，博主存在Github上的图片全部访问失败，文章阅读体验极差，于是2022年以后的文章全部采用npm做图床，在此之前的文章由于数量过多并没有替换。再加上之前 ...

IENet（interactive embranchment network），是一个单阶段的Anchor-Free旋转目标检测器，其包含如下贡献点：一个新的geometric transformation（几何变换），用于更好地表示旋转目标框; 一个基于自注意力机制的分支交互模块（a branch interactive module with a self-attention mechanism）; 一个针对旋转框检测改进的IoU Loss;

论文指出单阶段Anchor-Based和Center-Based Anchor-Free检测算法的性能差异主要来自于正负样本的选择策略，基于此问题，作者提出了ATSS(Adaptive Training Sample Selection)方法，该方法能够自动根据真实框的相关统计特征自适应地选择合适的样本，进而提升模型性能...

最近看了zhheo大佬的博客首页，发现大佬的布局还是那么的好看，于是果断COPY，再加上我一直想要在我的博客首页加一个大画幅的轮播图插件，于是又参考了Hassan的文章轮播图…经过一番折腾，效果如下： ...

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......

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...

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。

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。

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。

博主的大学课程全部笔记整理归档，本文是一个目录...

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

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。

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。

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。