目标检测论文解读7——YOLO v2
| 
98 | 
0
原标题：目标检测论文解读7——YOLO v2
原文来自：博客园 原文链接：https://www.cnblogs.com/xin1998/p/11381355.html
背景
YOLO v1检测效果不好，且无法应用于检测密集物体。
方法
YOLO v2是在YOLO v1的基础上，做出如下改进。
(1)引入很火的Batch Normalization，提高mAP和训练速度；
(2)加入了Anchor Box机制，每个grid cell5个Anchor Box；
(3)自动选择Anchor Box，这是作者所作出的创新，之前Anchor Box都是人为直接规定的，显然不是很合理。作者通过K-means聚类算法，用IoU作为距离度量，生成了Anchor Box的尺度。
(4)引入Multi-Scale的思想，YOLO v2去掉了全连接层，所以网络可以接受不同size的图片，训练过程中网络每隔10 batch随机选择不同的size的图片作为输入数据。
总结
YOLO v2在YOLO v1基础上，加入各种流行的技术，达到了非常好的效果。
免责声明：本文来自互联网新闻客户端自媒体，不代表本网的观点和立场。
合作及投稿邮箱：E-mail:editor@tusaishared.com
下一篇：神经网络不收敛的原因
热门资源
Python 爬虫（二）...
所谓爬虫就是模拟客户端发送网络请求，获取网络响...
TensorFlow从1到2...
原文第四篇中，我们介绍了官方的入门案例MNIST，功...
TensorFlow从1到2...
“回归”这个词，既是Regression算法的名称，也代表...
TensorFlow2.0（10...
前面的博客中我们说过，在加载数据和预处理数据时...
机器学习中的熵、...
熵 (entropy) 这一词最初来源于热力学。1948年，克...
智能在线
400-630-6780
聆听.建议反馈
E-mail: support@tusaishared.com
资源分类
