1. 项目使用的数据集是PASCAL VOC语义分割数据集 2. 通过自定义 dataset 实现对 VOC 数据集的处理 3. 使用学习率衰减，根据训练的 epoch 按照cos自动衰减学习率 4. 损失函数为交叉熵损失，对填充的灰度值为255的忽略损失计算 5. 通过混淆矩阵对网络性能进行评估，计算分割像素的准确率和各个像素点的iou，以及mean iou 。并将训练损失和测试精度绘制成曲线形式 6. 由于VOC的填充方式独特，所以预测代码可以根据得到的VOC调色板进行填充

https://github.com/weiliu89/caffe/tree/ssd 对应的模型文件， 直接去github链接里下载，有需要的从这里下载让我赚一个积分吧。 压缩包里包含文件: models_VGGNet_VOC0712_SSD_300x300.tar.gz models_VGGNet_VOC0712_SSD_512x512.tar.gz

NWPU VHR-10的pascal voc格式NWPU VHR-10的pascal voc格式NWPU VHR-10的pascal voc格式NWPU VHR-10的pascal voc格式NWPU VHR-10的pascal voc格式NWPU VHR-10的pascal voc格式NWPU VHR-10的pascal voc格式NWPU VHR-10的pascal voc格式NWPU VHR-10的pascal voc格式NWPU VHR-10的pascal voc格式NWPU VHR-10的pascal voc格式NWPU VHR-10的pascal voc格式NWPU VHR-10的pascal voc格式NWPU VHR-10的pascal voc格式NWPU VHR-10的pascal voc格式NWPU VHR-10的pascal voc格式NWPU VHR-10的pascal voc格式NWPU VHR-10的pascal voc格式NWPU VHR-10的pascal voc格式NWPU VHR-10的pascal voc格式

https://github.com/weiliu89/caffe/tree/ssd 对应的模型文件 包含文件: models_VGGNet_VOC0712Plus_SSD_300x300.tar.gz models_VGGNet_VOC0712Plus_SSD_512x512.tar.gz

PyTorch-Spiking-YOLOv3 基于YOLOv3的PyTorch实现（ ）的Spiking-YOLOv3的PyTorch实现，目前支持Spiking-YOLOv3-Tiny。 整个Spiking-YOLOv3即将得到支持。 介绍 为了实现尖峰效果，YOLOv3-Tiny中的某些运算符已进行等效转换。 有关详细信息，请参阅/ cfg中的yolov3-tiny-ours（*）。cfg。 某些运营商的转换 'maxpool（stride = 2）'->'convolutional（stride = 2）' 'maxpool（stride = 1）'->'none' 'upsample'->'transposed_convolutional' 'leaky_relu'->'relu' '批处理标准化'->'fuse_conv_and_bn' 用法 有关培训，评估和推断的基

前言 由于TensorFlow常用TFrecords作为输入格式，我们需要将制作好的Pascal VOC转为TFrecords格式。使用 object detection API 内提供的脚本。 TFRecords格式如下： -uint64 length -uint32 masked_crc32_of_length -byte data[length] -uint32 masked_crc32_of_data 前置要求： Anaconda3（使用python3.x） 制作好的Pascal VOC数据集 1、配置protobuf Google的protobuf是一种轻便高效的结构化数据存储格

WSDDN PyTorch 使用最新版本的PyTorch实施Weakly Supervised Deep Detection Networks 。 Bilen, H., & Vedaldi, A. (2016). Weakly supervised deep detection networks. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 2846-2854). 实施差异 亚当优化器（而不是SGD） 未添加空间正则化器 实验 基于VGG16的模型最接近EB + Box Sc. L型案例，报告为30.4 mAP 基于AlexNet的模型最接近EB + Box Sc. 模型S的案例，报告为33.4 mAP 将VGG16用作基本模型时的结果 航空 自行车

这里我使用的是pascal voc2007+2012联合训练的。 （1）下载数据 wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCdevkit_08-Jun-2007.tar wget http://host.robots

ERFNET-PyTorch 一个PyTorch实施 ，对于语义分割帕斯卡VOC。 目录： 项目结构： ├── agents | └── erfnet.py # the main training agent ├── graphs | └── models | | └── erfnet.py # model definition for semantic segmentation | | └── erfnet_imagenet.py # model definition for imagenet | └── losses | | └── loss.py # contains the cross entropy ├── datasets # contains all dataloaders for the project | └── voc2012.py #

DeepLabv3Plus-Pytorch DeepLabv3，DeepLabv3 +和VOC和Cityscapes上的预训练权重。 可用架构 使用“ --model ARCH_NAME”指定模型体系结构，并使用“ --output_stride OUTPUT_STRIDE”设置输出步幅。 DeepLabV3 DeepLabV3 + deeplabv3_resnet50 deeplabv3plus_resnet50 deeplabv3_resnet101 deeplabv3plus_resnet101 deeplabv3_mobilenet deeplabv3plus_mobilenet 可用型号： ， 加载预训练的模型： model . load_state_dict ( torch . load ( CKPT_PATH )[ 'model_state' ] )