- 深度学习经典方法概述
- 检测任务中阶段的意义
- 不同阶段算法的优缺点
- iou指标计算
- 评估所需参数计算
- map指标计算
- Yolo v1整体思想
- yolo算法整体思路解读
- 检测算法要得到的结果
- 整体网络架构解读
- 位置损失计算
- 置信度误差与优缺点分析
- Yolo v2改进细节
- V2版本细节升级概述
- 网络结构特点
- 架构细节解读
精度高的话recall就低
虚线下方的面积是map值
先选择一个红色的点产生两种候选框，置信度比较高的才能确定是一个物体，对两个候选框选择iou比较大的那个
整体网络架构解读
卷积之后得到一个771024的特征图
7730 ------> 7*7的格子，30结果得到的是什么（5猫+5虎+20狗）
加上左边的这几点，map值上升很多
经过5次采样变为h/32,w/32.
eg : 416/32=13
优势：
①全是卷积的，不需要全链接
②所有卷积和都比较小，使我们感受会比较大
