针对图像中小目标检测率低、虚警率高等问题,提出了一种YOLO V3的改进方法,并将其应用于小目标的检测。由于小目标所占的像素少、特征不明显,提出对原网络输出的8倍降采样特征图进行2倍上采样,将2倍上采样特征图与第2个残差块输出的特征图进行拼接,建立输出为4倍降采样的特征融合目标检测层。为了获取更多的小目标特征信息,在YOLO V3网络结构Darknet53的第2个残差块中增加2个残差单元。利用K-means聚类算法对目标候选框的个数和宽高比维度进行聚类分析。用改进的YOLO V3算法和原YOLO

今天在学习darknet53这个网络的时候，发现了wrap(Conv2D)这么一行代码，这里谈一下我对这个函数装饰器的理解。 详细的wrap装饰器可以参见[这里]，这篇文章只谈对参数的操作。(https://www.runoob.com/w3cnote/python-func-decorators.html) wrap这个装饰器传入的是一个已经有的函数a，返回的是一个新的函数b。 那么为什么要进行这样的操作呢，两个函数前后可以有什么变化呢？ 我这里的理解是：可以通过wrap这个装饰器，在函数a的

YoloV3-Pytorch 介绍 这是Pytorch中YoloV3的实现。 这是对westerndigitalcorporation的源代码的修改，避免了从原始darknet框架“导入”配置文件。 源代码的版权在许可证文件中。 修改的; 我尝试使用常用的术语尽可能直观地构建模型。 我还将模块划分为功能，以便可以轻松地将其导入并用于其他项目以及此处。 此外，还增加了在视频上运行，加载KITTI数据集，每种COCO和Pascal VOC样式的度量标准等的功能。 环境环境 python 3.xx

针对图像中小目标检测率低、虚警率高等问题,提出了一种YOLO V3的改进方法,并将其应用于小目标的检测。由于小目标所占的像素少、特征不明显,提出对原网络输出的8倍降采样特征图进行2倍上采样,将2倍上采样特征图与第2个残差块输出的特征图进行拼接,建立输出为4倍降采样的特征融合目标检测层。为了获取更多的小目标特征信息,在YOLO V3网络结构Darknet53的第2个残差块中增加2个残差单元。利用K-means聚类算法对目标候选框的个数和宽高比维度进行聚类分析。用改进的YOLO V3算法和原YOLO