- 博客(3)
- 收藏
- 关注
RSS订阅原创 自动驾驶环境感知（3）-2D视觉感知算法-单阶段检测
速度优势：省略ROI Pooling减少逐框计算，全卷积实现高度并行化。精度代价：单阶段检测可能丢失精细化特征（如小物体），但RetinaNet通过Focal Loss等设计缩小了差距。适用场景：实时性要求高（如视频监控）→ 单阶段；精度优先（如医学图像）→ 两阶段。
2025-05-11 19:04:20
827
原创 自动驾驶环境感知（2）-2D视觉感知算法-Faster R-CNN,Anchor,模型评估基本概念-Precision/Recall, mAP, FPN
Precision表示模型预测为正的样本中，有多少是真正的正样本。PrecisionTPTPFPPrecisionTPFPTP：正确检测到的正样本（预测正确）。：误检（实际为负样本，但被预测为正）。Recall表示真实的正样本中，有多少被模型正确检出。RecallTPTPFNRecallTPFNTP：漏检（真实为正样本，但未被预测到）。指标关注点公式适用场景Precision预测结果的准确性避免误检（如垃圾邮件过滤）Recall。
2025-05-11 17:47:55
732
原创 自动驾驶环境感知（1）-2D视觉感知算法-R-CNN/Fast R-CNN/Faster R-CNN
在目标检测任务中，共享计算是Fast R-CNN和Faster R-CNN等改进模型的核心优化策略之一。它通过减少重复计算和充分利用网络的特征，显著提高了效率。什么是共享计算？共享计算的核心思想是：在整个网络中，某些计算步骤的结果可以被多个任务或模块共享，从而避免重复计算。对整个图像进行一次CNN特征提取，生成的特征图可以被后续的多个任务（如候选框生成、分类、边界框回归）共享。这样就不需要对每个候选框单独进行CNN计算，大大减少了计算量。
2025-05-06 23:34:49
665
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人