目录

1 无人驾驶中的检测

2 基于图像的检测算法

2.1 怎么得到位置？

2.2 怎样得到特征，进行分类？

2.3 两步方法(two-steps)

2.3.1 CNN未出现之前

2.3.2 RCNN

2.3.3 SPPnet

2.3.4 Fast-RCNN

2.4 一步法(one-step)

2.4.1 YOLO

2.4.2 SSD

2.4.3 YOYO-v2

2.4.4 YOYO-v3

2.4.5 小结

整理自视频: https://www.bilibili.com/video/BV137411E7oC?p=4

1 无人驾驶中的检测

2 基于图像的检测算法

 

2.1 怎么得到位置？

2.2 怎样得到特征，进行分类？

2.3 两步方法(two-steps)

2.3.1 CNN未出现之前

 

2.3.2 RCNN

2.3.3 SPPnet

2.3.4 Fast-RCNN

2.4 一步法(one-step)

2.4.1 YOLO

 

2.4.2 SSD

2.4.3 YOYO-v2

2.4.4 YOYO-v3

2.4.5 小结

 

Logo
技术共进，成长同行——讯飞AI开发者社区

技术共进，成长同行——讯飞AI开发者社区

更多推荐

cover

PHP与人工智能：结合案例与可能性探索

avatar 讯飞AI开发者社区
cover

[论文阅读] 人工智能 + 软件工程 | 真实场景下GitHub Copilot生产力之谜：2年数据揭示客观提交无提升，开发者却直呼“好用”

avatar 讯飞AI开发者社区

上下文工程驱动智能体向 通用人工智能

例如在文章开头，我们举的产品经理和工程师之间的那一段对话，一个高质量智能体，不再只是让大模型回答用户的问题，而是通过上下文工程，帮助大模型在回答前获得更加结构化的输入，包括项目状态、需求文档、任务历史、甚至团队氛围，实现大模型更好的理解当前的任务规划、团队过往的沟通隐患、对方的工作状态与担忧、文档/知识库的实时状态等等。这和我们维护我们手机上内存很像，一开始所有应用和历史信息都保留，但当手机出现运

avatar 讯飞AI开发者社区