日期：2024年08月05日目录前言论文摘要FocalLossCrossEntropyLossBalancedCrossEntropy FocalLossRetinaNet网络架构ResNet FeaturePyramidNetwork(FPN)ClassSubnetBoxSubnet前言一般来说，one-stage的目标检测器在检测速度上有着明显优势，而two-stag

TorchVision检测模型有一个weights和一个weights_backbone参数。使用预训练weights是否意味着模型在幕后使用了预训练weights_backbone？我正在训练RetinaNet模型，我不确定应该使用这两个选项中的哪一个以及它们之间有什么区别。这正是

全文链接：https://tecdat.cn/?p=36968原文出处：拓端数据部落公众号目标检测作为计算机视觉领域的关键任务之一，在交通管理、智能安防、自动驾驶等众多应用场景中具有重要意义。车牌作为车辆的重要标识，其准确检测对于车辆识别、交通监控等系统的性能提升至关重要。传统的目标检测方

论文：https://openaccess.thecvf.com/content_ICCV_2017/papers/Lin_Focal_Loss_for_ICCV_2017_paper.pdf讲解（含代码讲解）：https://zhuanlan.zhihu.com/p/410436667论文解读：https://zhuanlan.zhihu.com/p/466853103交叉熵损失函数：https://blog.csdn.net/weixin_45665708/article/

1.背景介绍人工智能（ArtificialIntelligence,AI）是指一种使计算机具有人类智能的科学和技术。人工智能的主要目标是让计算机能够理解自然语言、进行逻辑推理、学习自主行动、理解视觉和听觉等。人工智能的应用范围非常广泛，包括自然语言处理、计算机视觉、机器学习、深度学习、人工

 错误如下：File"<frozenimportlib._bootstrap>",line1014,in_gcd_importFile"<frozenimportlib._bootstrap>",line991,in_find_and_loadFile"<frozenimportlib._bootstrap>",line973,in_find_and_load_u

复现内容因为RetinaNet论文用的是coco数据集，而本人因为实验资源与有限，就使用PASCALVOC2012数据集作为复现RetinaNet框架图此图从论文中截取 复现细节和结果训练设置的超参数 1totalparamnum15,597,9982backbone:Resnet50+FPN3优化器：optimizer=torch.o

作者深入分析了极度不平衡的正负（前景背景）样本比例导致one-stage检测器精度低于two-stage检测器，基于上述分析，提出了一种简单但是非常实用的FocalLoss焦点损

摘要1，引言2，相关工作3，网络架构3.1，Backbone3.2，Neck3.3，Head4，FocalLoss4.1，CrossEntropy4.2，BalancedCrossEntropy4.3，FocalLossDefinition5，代码解读5.

computerVision计算机视觉研究院● 扫码关注，回复：ATTS ●获取原文和源码下载链接今天我们从录用的CVPR文章中选了一篇目标检测的优秀文章：ATSS：BridgingtheGapBetweenAnc

computerVision计算机视觉研究院今天我们从录用的CVPR2020文章中选了一篇目标检测的优秀文章：ATSS：BridgingtheGapBetweenAnchor-basedandAnchor-freeDetection。简要