共20节 已有5人学过
主讲老师张旭波
更新时间2025-03-27 18:11:31
课件资料暂无
免费
虽然目标检测算法已经得到了很大的改善，从最初的传统的目标检测算法，比如基于 Haar Cascades，HOG (Histogram of Oriented Gradients)，SIFT (Scale-Invariant Feature Transform)，模版匹配，边缘检测和区域检测等算法，到现在基于深度学习的目标检测算法。了解过目标检测算法的小伙伴都知道，R-CNN可以说是从传统目标检测到现代目标检测算法的开山之作，对于后续目标检测算法的改进具有很大的影响，后续还出现了Fast-RCNN，Faster-RCNN,PFN等知名的目标检测算法。但是这些算法都是基于两阶段来进行检测的，首先特征区域的提取，然后才进行分类和回归，这对于实时的目标检测算法来说差距还是很远。因此，为了解决两阶段目标检测算法慢的问题，又提出了单阶段的目标检测算法，比如YOLO系列以及SSD系列等知名算法。
虽然本课程不会从头到尾对目标检测算法进行讲解，但是会选择一些单阶段的目标检测算法进行讲解，并且对应代码也是开源的。
对计算机视觉（图像分类，目标检测，语义分割），NLP，文生图以及GAN领域感兴趣。 B站：https://space.bilibili.com/625095571 CSDN博客：https://blog.csdn.net/Keep_Trying_Go? spm=1010.2135.3001.5421 GitHub: https://github.com/KeepTryingTo
这段课程导读将带你系统打通目标检测从理论到代码落地的完整链路。课程围绕 anchor-based 与 anchor-free 两条主线，覆盖 AP/mAP 评价指标、SSD/DSOD/DSSD、FCOS、YOLOX、RFBNet、Pelee、VoVNet 等主流模型，并深入讲解特征融合、ASFF、Copy-Paste、GridMask、高斯 YOLO、IoU/SIoU 损失、难例挖掘与 Anchor 匹配等关键改进。它不止讲论文，更结合代码拆解网络搭建、训练测试、标签分配、后处理和常见避坑点，适合有深度学习基础、希望从事目标检测科研、工程落地、竞赛或面试准备的学习者。学完后，你将理解不同检测范式的核心差异，掌握从数据增强、模型设计、损失优化到评价部署的完整思路，并能读懂和复现典型检测项目，为后续算法改进与实战应用打下扎实基础。
张旭波
对计算机视觉（图像分类，目标检测，语义分割），NLP，文生图以及GAN领域感兴趣。 B站：https://space.bilibili.com/625095571 CSDN博客：https://blog.csdn.net/Keep_Trying_Go? spm=1010.2135.3001.5421 GitHub: https://github.com/KeepTryingTo
给该课程打分：
发表
