开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

无法在cnn中获取图像通道

在深度学习中，CNN（卷积神经网络）是一种常用的神经网络架构，用于图像识别、图像分类和目标检测等任务。在CNN中，图像通道是指图像的颜色通道或灰度通道。

概念：图像通道是指图像中的不同颜色通道或灰度通道。对于彩色图像，通常有红色、绿色和蓝色三个通道，分别表示图像中的红色、绿色和蓝色分量。对于灰度图像，只有一个通道，表示图像的亮度。
分类：根据图像的颜色模式不同，图像通道可以分为RGB通道、CMYK通道和灰度通道等。RGB通道是最常见的图像通道，用于表示彩色图像的红、绿、蓝三个颜色分量。CMYK通道用于印刷领域，表示青、品红、黄、黑四个颜色分量。灰度通道表示图像的亮度，只有一个通道。
优势：图像通道在CNN中起到了重要作用，通过对不同通道的处理，可以提取图像中的不同特征。例如，在彩色图像中，红色通道可以提取红色物体的特征，绿色通道可以提取绿色物体的特征，蓝色通道可以提取蓝色物体的特征。这样，通过对不同通道的特征进行融合，可以更准确地识别和分类图像。
应用场景：图像通道在图像处理、计算机视觉和机器学习等领域有广泛的应用。例如，在图像识别任务中，通过对不同通道的特征进行提取和融合，可以实现对不同物体的准确识别。在图像增强任务中，可以通过调整不同通道的亮度和对比度，改善图像的质量。在图像分割任务中，可以利用不同通道的信息，将图像分割成不同的区域。
腾讯云相关产品推荐：腾讯云提供了丰富的云计算产品和服务，其中与图像处理相关的产品包括腾讯云图像处理（Image Processing）和腾讯云智能图像（Intelligent Image）等。腾讯云图像处理提供了多种图像处理功能，包括图像格式转换、图像缩放、图像裁剪等，可以满足不同场景下的图像处理需求。腾讯云智能图像提供了图像识别、图像分析和图像搜索等功能，可以帮助开发者实现图像相关的智能应用。

腾讯云图像处理产品介绍链接：https://cloud.tencent.com/product/imgpro 腾讯云智能图像产品介绍链接：https://cloud.tencent.com/product/tii

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

AI安全初探：利用深度学习检测DNS隐蔽通道

DNS 隐蔽通道简介 DNS 通道是隐蔽通道的一种，通过将其他协议封装在DNS协议中进行数据传输。由于大部分防火墙和入侵检测设备很少会过滤DNS流量，这就给DNS作为隐蔽通道提供了条件，从而可以利用它实现诸如远程控制、文件传输等操作，DNS隐蔽通道也经常在僵尸网络和APT攻击中扮演着重要的角色。 DNS隐蔽通道可以分为直连和中继两种模式。直连也就是Client直接和指定的目标DNS Server(授权的NS 服务器)连接，通过将数据编码封装在DNS协议中进行通信，这种方式速度快，但是限制比较多，很多场景不

05

【读论文】THFuse

一篇基于CNN和VIT的关于红外可视图像融合的论文，论文中提出了两分支的CNN提取模块的方法以及常规VIT和跨通道的VIT相结合的方法来提取特征，接下来一起来看看吧。

01

CNN中张量的输入形状和特征图 | Pytorch系列（三）

在这个神经网络编程系列中，我们正在努力构建卷积神经网络（CNN），所以让我们看看在CNN中的张量输入。

03

CVPR 2023 | 使用混合 Transformer-CNN 架构学习图像压缩

CNN-based图像压缩方法能较好地提取局部信息，Transformer-based图像压缩方法能较好地提取全局信息，于是想将这两者的优势相结合。

01

【深度学习】基于代码一步一步教你深度学习中卷积神经网络(CNN)的原理

当谈到基于CNN的深度学习例子时，图像分类是最常见的任务之一。CNN（卷积神经网络）在图像处理任务中表现出色，能够自动学习图像的特征表示。以下是一个基于CNN的图像分类示例，并给每一行添加了注释：

01

DenseFuse: A Fusion Approach to Infrared and Visible Images 阅读笔记

设置DENSE block的原因是因为传统的CNN只使用最后一层的feature map，这就损失了之前层中的信息，而dense block 很好的规避了这个问题

01

基于深度学习的视觉里程计算法

近年来,视觉里程计广泛应用于机器人和自动驾驶等领域,传统方法求解视觉里程计需基于特征提取、特征匹配和相机校准等复杂过程,同时各个模块之间要耦合在一起才能达到较好的效果,且算法的复杂度较高。环境噪声的干扰以及传感器的精度会影响传统算法的特征提取精度,进而影响视觉里程计的估算精度。鉴于此,提出一种基于深度学习并融合注意力机制的视觉里程计算法,该算法可以舍弃传统算法复杂的操作过程。实验结果表明,所提算法可以实时地估计相机里程计,并具有较高的精度和稳定性以及较低的网络复杂度。关键词机器视觉;深度学习;视觉里程计;注意力机制;多任务学习。

02

观点 | 如何可视化卷积网络分类图像时关注的焦点

选自hackevolve 作者：Saideep Talari 机器之心编译参与：乾树、思源在我们使用 CNN 进行图片分类时，模型到底关注的是图像的哪个区域？Grad-CAM 利用卷积网络最后一个特征图的信息，并加权对应的梯度而构建模型分类的热力图，通过该热力图，我们可以清楚地了解哪一块区域对于类别是最重要的。你在训练神经网络进行图片分类时，有没有想过网络是否就是像人类感知信息一样去理解图像？这个问题很难回答，因为多数情况下深度神经网络都被视作黑箱。我们喂给它输入数据进而得到输出。整个流程如果出现问题

07

【图像分割】开源 | 提出了一个综合的基于注意力的CNN --CA-Net框架，更准确和可解释性更高的应用于医学图像分割！

论文地址： http://arxiv.org/pdf/2009.10549v2.pdf

01

改进YOLOv3 | IA-YOLO让恶劣天气的目标检测起飞了!!!

本文提出的IA-YOLO方法可以在正常和恶劣天气条件下自适应处理图像。实验结果证明了IAYOLO方法在雾天和弱光情况下的有效性。

03

深度学习-卷积神经网络-算法比较

随着深度学习的发展，学术界造就了一个又一个优秀的神经网络，目前，最受欢迎的神经网络之一则是卷积神经网络，尽管有时它出现让我们无法理解的黑盒子现象，但它依然是值得我们去探索的，CNN的设计也遵循了活生物体的视觉处理过程。

07

图像融合的方法及分析

众所周知，灰度图像是呈现黑色与白色之间不同级别颜色深度的图像，主要为亮度信息。而彩色图像的每个像素值包括了R、G、B 3个基色分量，每个分量决定了其基色的强度。因此，在图像融合时，不同图像采用不同的融合方法。本文对其分别进行了分析。

07

卷积神经网络

神经网络(neual networks)是人工智能研究领域的一部分，当前最流行的神经网络是深度卷积神经网络(deep convolutional neural networks, CNNs)，虽然卷积网络也存在浅层结构，但是因为准确度和表现力等原因很少使用。目前提到CNNs和卷积神经网络，学术界和工业界不再进行特意区分，一般都指深层结构的卷积神经网络，层数从”几层“到”几十上百“不定。

03

改进YOLOv3 | IA-YOLO让恶劣天气的目标检测起飞了!!!

虽然基于深度学习的目标检测方法在传统数据集上取得了良好的效果，但在恶劣天气条件下从低质量图像中定位目标仍然具有挑战性。现有的方法要么难以平衡图像增强和目标检测任务，要么往往忽略有利于检测的潜在信息。为了缓解这一问题，本文提出了一种新的图像自适应YOLO (IA-YOLO)框架，可以对每张图像进行自适应增强，以提高检测性能。针对YOLO探测器的恶劣天气条件，提出了一种可微分的图像处理(DIP)模块，并利用小型卷积神经网络(CNN-PP)对其参数进行预测。 IA-YOLO以端到端的方式学习CNN-PP和YOL

02

全新Backbone | 模拟CNN创造更具效率的Self-Attention

通过内部Patch和Patch间的交替应用，实现了交叉注意力，以较低的计算成本保持了性能，并为其他视觉任务建立了Cross Attention Transformer(CAT)的层次网络。本文的基础模型在ImageNet-1K上取得了最先进的水平，并提高了在COCO和ADE20K上的其他方法的性能。

01

脑机接口新应用，利用深度学习对无声语音信号解码

浙江大学、中国矿业大学和伦敦大学的研究人员研究了可用于识别神经肌肉信号的空间特征和解码器。具体来说，研究人员提出了利用迁移学习和深度学习的方法，将表面肌电信号数据转换为包含丰富的时频域信息的声谱图。对于迁移学习，在大型图像数据集上使用一个预先训练好的Xception模型来生成特征。然后利用提取的特征对三种深度学习方法(MLP、CNN和bLSTM)进行训练，并对其进行评价，以识别词集中的发音肌肉运动。所提出的解码器成功地识别了无声语音，双向长短时记忆的准确率达到了90%，优于其他两种算法。实验结果验证了谱图特征和深度学习算法的有效性。

02

基于深度学习的语义分割技术总览

用卷积神经网络分类（全卷积网络FCN），与普通CNN网络不通的是，FCN的分类层是卷积层，普通网络为全连接层。方法介绍如下：最近的语义分割架构一般都用卷积神经网络（CNN）为每个像素分配一个初始类别标签。卷积层可以有效地捕捉图像中的局部特征，并以层级的方式将许多这样的模块嵌套在一起，这样 CNN 就可以试着提取更大的结构了。通过一系列卷积捕捉图像的复杂特征，CNN 可以将一张图的内容编码为紧凑表征。但为了将单独的像素映射给标签，我们需要将标准 CNN 编码器扩展为编码器-解码器架构。在这个架构中，编码器使用卷积层和池化层将特征图尺寸缩小，使其成为更低维的表征。解码器接收到这一表征，用通过转置卷积执行上采样而「恢复」空间维度，这样每一个转置卷积都能扩展特征图尺寸。在某些情况下，编码器的中间步骤可用于调优解码器。最终，解码器生成一个表示原始图像标签的数组。

02

从基本组件到结构创新，67页论文解读深度卷积神经网络架构

【导读】近期一篇CNN综述文章《A Survey of the Recent Architectures of Deep Convolutional Neural Networks 》发布，受到了大家的关注，今天作者对论文中的内容做了中文的解读，帮助大家全面了解CNN架构进展。

01

脑机接口新应用，无声语音信号解码

研究人员研究了可用于识别神经肌肉信号的空间特征和解码器。具体来说，研究人员提出了利用迁移学习和深度学习的方法，将表面肌电信号数据转换为包含丰富的时频域信息的声谱图。对于迁移学习，在大型图像数据集上使用一个预先训练好的Xception模型来生成特征。然后利用提取的特征对三种深度学习方法(MLP、CNN和bLSTM)进行训练，并对其进行评价，以识别词集中的发音肌肉运动。所提出的解码器成功地识别了无声语音，双向长短时记忆的准确率达到了90%，优于其他两种算法。实验结果验证了谱图特征和深度学习算法的有效性。

01

什么是CNN汇聚层？

卷积神经网络（Convolutional Neural Network，CNN）是一种在计算机视觉和图像处理领域取得巨大成功的深度学习模型。其中，汇聚层是CNN的重要组成部分之一，具有特殊的功能和作用。本文将详细介绍CNN汇聚层的原理、结构和应用，并探讨其在图像处理和计算机视觉任务中的重要性。

02

R语言KERAS深度学习CNN卷积神经网络分类识别手写数字图像数据（MNIST）

在本文中，我们将学习如何使用keras，用手写数字图像数据集（即MNIST）进行深度学习。本文的目的是为了让大家亲身体验并熟悉培训课程中的神经网络部分。

03

详细解读GraphFPN | 如何用图模型提升目标检测模型性能？

特征金字塔在需要多尺度特征的图像理解任务中已被证明是强大的。多尺度特征学习的最新方法侧重于使用具有固定拓扑结构的神经网络跨空间和尺度执行特征交互。

02

基于TensorFlow和Keras的图像识别

TensorFlow和Keras最常见的用途之一是图像识别/分类。通过本文，您将了解如何使用Keras达到这一目的。

02

从AlexNet剖析-卷积网络CNN的一般结构

作者：张旭编辑：王抒伟算了想看多久看多久零参考目录：一、卷积层 1.CNN中卷积层的作用 2.卷积层如何工作 3.AlexNet中的卷积层二、池化层与激活层 1.池化层 2.激活层三、全连接层 1.全连接层的作用 2.AlexNet中的全连接层四、Softmax层 1.Softmax的作用 2.AlexNet中的Softmax

05

CVPR 2020 | 一种频域深度学习

深度神经网络在计算机视觉任务中取得了显著的成功。对于输入图片，现有的神经网络主要在空间域中操作，具有固定的输入尺寸。然而在实际应用中，图像通常很大，必须被降采样到神经网络的预定输入尺寸。尽管降采样操作可以减少计算量和所需的通信带宽，但它会无意识地移除冗余和非冗余信息，导致准确性下降。受数字信号处理理论的启发，我们从频率的角度分析了频谱偏差，并提出了一种可学习的频率选择方法，可以在不损失准确性的情况下移除次相关的频率分量。在下游任务中，我们的模型采用与经典神经网络（如ResNet-50、MobileNetV2和Mask R-CNN）相同的结构，但接受频域信息作为输入。实验结果表明，与传统的空间降采样方法相比，基于静态通道选择的频域学习方法可以实现更高的准确性，同时能够减少输入数据的大小。具体而言，在相同的输入尺寸下，所提出的方法在ResNet-50和MobileNetV2上分别实现了1.60%和0.63%的top-1准确率提升。当输入尺寸减半时，所提出的方法仍然将ResNet-50的top-1准确率提高了1.42%。此外，我们观察到在COCO数据集上的分割任务中，Mask R-CNN的平均精度提高了0.8%。

04

斯坦福祭出 CU-Mamba | 不仅具有通道感知，更是将双状态空间模型（SSM）框架融入到U-Net

图像恢复是数字图像处理中的基本任务，旨在从各种退化（如噪声、模糊和雨迹）损害的图像中重建高质量图像。最近的进展凸显了卷积神经网络（CNNs）[1, 2, 3]和基于Transformer的模型[4, 5, 6, 7]在此领域的有效性。CNN利用层次结构，擅长捕捉图像内的空间层次。Transformer模型最初是为自然语言处理设计的，但已经显示出对视觉理解的积极成果，例如Vision Transformer[8]。Transformer模型采用自注意力机制，特别擅长建模长距离依赖。这两种方法在许多图像恢复任务中均取得了最先进的结果[9, 10, 11]。

01

7大类深度CNN架构创新综述

通过 1989 年 LeCun 处理网格状拓扑数据（图像和时间系列数据）的研究，CNN 首次受到关注。CNN 被视为理解图像内容的最好技术之一，并且在图像识别、分割、检测和检索相关任务上表现出了当前最佳性能。CNN 的成功引起了学界外的注意。在产业界，如谷歌、微软、AT&T、NEC 和 Facebook 这样的公司都设立了研究团队来探索 CNN 的新架构。目前，图像处理竞赛中的大多数领跑者都会采用基于深度 CNN 的模型。

05

从AlexNet理解卷积神经网络的一般结构

2012年AlexNet在ImageNet大赛上一举夺魁，开启了深度学习的时代，虽然后来大量比AlexNet更快速更准确的卷积神经网络结构相继出现，但是AlexNet作为开创者依旧有着很多值得学习参考

06

：too many indices for tensor of dimension 3

在使用深度学习框架进行模型训练或推理时，我们经常会遇到处理多维数据的情况。然而，当我们尝试使用维度为3的张量进行操作时，有时会遇到"too many indices for tensor of dimension 3"（维度为3的张量有太多的索引）的错误信息。本文将介绍这个错误的原因以及如何解决它。

02

活久见！像素随机打乱的手写字体图像竟能被非监督学习方法全新重建？

北京时间2月24日，本篇工作作者申万祥博士将带来线上分享，介绍如何通过增强数据的表征和利用卷积神经网络来提高生物医学数据的学习效果。更多详情见文末。决定 AI 模型识别能力的主要因素是数据和算法，长久以来 AI 领域重点关注在算法来提升性能，但对数据的探索程度远不及算法的开发。以数据为中心的 AI 方法（data-centric AI）基于高质量的数据构建 AI 系统，主要是确保数据表征能够清晰地展示 AI 所须学习的内涵特征。特别是对于生物医药领域具有高维度而无序特征的小样本数据（比如疾病组学数据），

02

CNN的Flatten操作 | Pytorch系列（七）

欢迎回到这个关于神经网络编程的系列。在这篇文章中，我们将可视化一个单一灰度图像的张量flatten 操作，我们将展示如何flatten 特定的张量轴，这是CNNs经常需要的，因为我们处理的是批量输入而不是单个输入。

05

7大类卷积神经网络(CNN)创新综述

深度卷积神经网络（CNN）是一种特殊类型的神经网络，在各种竞赛基准上表现出了当前最优结果。深度 CNN 架构在挑战性基准任务比赛中实现的高性能表明，创新的架构理念以及参数优化可以提高 CNN 在各种视觉相关任务上的性能。本综述将最近的 CNN 架构创新分为七个不同的类别，分别基于空间利用、深度、多路径、宽度、特征图利用、通道提升和注意力。

02

全新FPN开源 | CFPNet即插即用，助力检测涨点，YOLOX/YOLOv5均有效

目标检测是计算机视觉领域最基本但最具挑战性的研究任务之一，其目的是为输入图像中的每个目标预测唯一的边界框，该边界框不仅包含位置，还包含类别信息。在过去几年中，这项任务已被广泛开发并应用于广泛的潜在应用，例如自动驾驶和计算机辅助诊断。

03

ASF-YOLO开源 | YOLOv5范式永不言败，SSFF融合+TPE编码+CPAM注意力，再战精度巅峰！

随着样本制备技术和显微成像技术的快速发展，细胞图像的定量处理和分析在医学和细胞生物学等领域中发挥着重要作用。基于卷积神经网络（CNN），通过神经网络训练可以学习不同细胞图像的特征信息，具有较强的泛化性能。两阶段R-CNN系列及其一阶段变体是经典的基于CNN的实例分割任务框架。

02

即插即用注意力机制 | ResNet50+DSA注意力还可以再挣扎挣扎！！！

卷积神经网络（CNNs）在结构上设计用于通过应用卷积核实现的卷积滤波器来利用局部空间层次。尽管这使得它们在涉及局部空间模式的任务上既高效又有效，但其固有的设计限制了它们的感受野，可能会阻碍不在内核边界内的相关信息的全面集成。

02

一文读懂卷积神经网络（CNN）

可以看到，CNN通常包括这几层：输入层（input layer）、卷积层（convolutional layer）、池化层（pooling layer）以及输出层（全连接层+softmax layer）。

01

深度学习——SPPNet原理[通俗易懂]

从R-CNN 到Fast R-CNN，有必要了解下SPPNet，其全称为Spatial Pyramid Pooling Convolutional Networks（空间金字塔池化卷积网络）。

04

SFFAI分享 | Geometric Relation Learning in 3D Point Cloud Analysis

近年来，卷积神经网络（CNN）在图像这类规则数据的处理中获得了举世瞩目的成功，然而如何拓展CNN以分析点云这种不规则数据，仍然是一个开放的研究问题。对于点云而言，每一个点并非孤立存在，相邻的点形成一个有意义的形状，因此对点间关系进行深度学习建模非常重要。在SFFAI25分享会中：

03

见微知著：细粒度图像分析进展

作者简介：魏秀参，南京大学计算机系机器学习与数据挖掘所（LAMDA）博士生，专攻计算机视觉和机器学习。曾在国际顶级期刊和会议发表多篇学术论文，并两次获得国际计算机视觉相关竞赛冠亚军。责编：何永灿，欢迎人工智能领域技术投稿、约稿、给文章纠错，请发送邮件至heyc@csdn.net 本文为《程序员》原创文章，未经允许不得转载，更多精彩文章请订阅2017年《程序员》有别于通用图像分析任务，细粒度图像分析的所属类别和粒度更为精细，它不仅能在更细分的类别下对物体进行识别，就连相似度极高的同一物种也能区别开来。

04

一文读懂Faster RCNN

来源：信息网络工程研究中心本文约7500字，建议阅读10+分钟本文从四个切入点为你介绍Faster R-CNN网络。经过R-CNN和Fast RCNN的积淀，Ross B. Girshick在2016年提出了新的Faster RCNN，在结构上，Faster RCNN已经将特征抽取(feature extraction)，proposal提取，bounding box regression(rect refine)，classification都整合在了一个网络中，使得综合性能有较大提高，在检测速度方

01

DeepFuse: A Deep Unsupervised Approach for Exposure Fusion with Extreme Exposure Image Pairs 阅读笔记

在神经网络的训练过程，一般都是监督学习，这样训练出的神经网络都有很不错的效果。但是由于没有足够的数据集供其使用，所以该篇论文提出了无监督的MEF（多曝光融合）深度学习框架。

01

ResNet被全面超越了，是Transformer干的：依图科技开源“可大可小”T2T-ViT，轻量版优于MobileNet

又一篇Transformer来了！本文在ViT方面进行了一次突破性探索，提出了首次全面超越ResNet，甚至轻量化版本优于MobileNet系列的T2T-ViT。 >>加入极市CV技术交流群，走在计算机视觉的最前沿

03

自己觉得挺有意思的目标检测框架，分享给大家（源码论文都有）

计算机视觉研究院专栏作者：Edison_G 最近“计算机视觉研究院”有一段时间没有分享最新技术，但是最近我看了一些之前的检测框架，发现有两个很有意思，不错的框架，接下来我给大家简单分析下，希望给大家带来创新的启示！公众号ID｜ComputerVisionGzq 学习群｜扫码在主页获取加入方式论文获取｜回复”PRN“获取论文检测是视觉的基底，不管你应用在什么领域，检测识别是最基础也是最重要的技术之一，就好比人类的眼睛，只要你看到了，才传输到大脑更新迭代学习，促使我们认识世界万物。所以，我们一定

01

深度学习|卷积神经网络（CNN）介绍（前篇）

01 — 回顾以上推送了神经网络相关的介绍性内容和相关的基础理论，包括：神经网络的基本结构：输入层，隐含层，输出层；批随机梯度下降算法（mini-batch SGD）；前向传播，激活函数；反向传播求参数的偏导，四个公式；手写字数据集的mini-batch SGD 源码实现（借助BP算法求参数偏导）；对隐藏层的感性认识，神经网络的隐含层是如何从具体到抽象层层构建的。以上阐述了深度神经网络（DNN）的基本理论，关于这些介绍请参考以下推送：为什么要有深度学习？系统学习清单深度学习|神经网络模型

09

【深度学习】卷积神经网络（CNN）

我们来看一个最简单的例子：“边界检测（edge detection）”，假设我们有这样的一张图片，大小8×8：

01

计算机视觉中的注意力机制原理及其模型发展

所谓Attention机制，便是聚焦于局部信息的机制，比如图像中的某一个图像区域。随着任务的变化，注意力区域往往会发生变化。

01

【AI不惑境】计算机视觉中注意力机制原理及其模型发展和应用

大家好，这是专栏《AI不惑境》的第七篇文章，讲述计算机视觉中的注意力(attention)机制。

03

【翻译】A New Approach for Sparse Matrix Classification Based on Deep Learning Techniques

2018 IEEE International Conference on Cluster Computing

02

超越SwinIR，Mamba入局图像复原，达成新SOTA

最近，选择性结构化状态空间模型（例如 Mamba）在具有线性复杂性的远程依赖关系建模方面表现出了巨大的潜力，但它在低级计算机视觉中仍处于探索之中。

01

[Intensive Reading]目标检测(object detection)系列（七） R-FCN：位置敏感的Faster R-CNN

目标检测系列：目标检测(object detection)系列（一） R-CNN：CNN目标检测的开山之作目标检测(object detection)系列（二） SPP-Net：让卷积计算可以共享目标检测(object detection)系列（三） Fast R-CNN：end-to-end的愉快训练目标检测(object detection)系列（四） Faster R-CNN：有RPN的Fast R-CNN 目标检测(object detection)系列（五） YOLO：目标检测的另一种打开方式目标检测(object detection)系列（六） SSD：兼顾效率和准确性目标检测(object detection)系列（七） R-FCN：位置敏感的Faster R-CNN 目标检测(object detection)系列（八） YOLOv2：更好，更快，更强目标检测(object detection)系列（九） YOLOv3：取百家所长成一家之言目标检测(object detection)系列（十） FPN：用特征金字塔引入多尺度目标检测(object detection)系列（十一） RetinaNet：one-stage检测器巅峰之作目标检测(object detection)系列（十二） CornerNet：anchor free的开端目标检测(object detection)系列（十三） CenterNet：no Anchor，no NMS 目标检测(object detection)系列（十四）FCOS：用图像分割处理目标检测

02

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭