微小的物体以其极其有限的像素数量为特点，在计算机视觉社区中始终是一个难以破解的难题。微小目标检测 （TOD） 是最具挑战性的任务之一，由于微小目标缺乏区分特征，通用目标检测器通常无法在 TOD 任务中提供令人满意的结果。

参考：labelme 格式转 VOC2007 数据集格式1、labelme数据格式labelmeset：即图像文件和json文件放在同一文件夹下1.jpg1.json2.jpg2.json…2、转换代码# -*- coding: utf-8 -*-"""Created on Thu Sep 19 14:51:00 2019@author: Andrea"""import osimport nump

但是在诸如航拍图像等任务上，图像尺寸通常几千x几千甚至上万，目标也是非常小的，如果resize到640的尺寸，显然目标都已经丢失完了。实际上可以通过切图的方式进行推理，也就是将高分辨率的图切成640x640的图像块，每一个块再去做目标检测，最后再将图像块中目标的坐标转换为大尺寸图上即可。如图所示，某个小图中坐标为(50,90)，通过计算得知所处第5列，则左侧有4个小图，考虑到有重叠区域，则左侧有4

有问题或者不清楚见作者原文，那写的更清楚。

伪装目标检测（Camouflaged Object Detection, COD）是一项计算机视觉任务，旨在识别和分割背景中难以察觉的目标，如动物伪装、隐形物体检测等。由于伪装目标通常与背景高度相似，这项任务比传统的目标检测更具挑战性。伪装目标检测是一个极具挑战性的计算机视觉任务，广泛应用于生态保护、军事隐身目标检测、医学影像等领域。深度学习技术的进步使得 COD 取得了显著提升，但仍然存在泛化能

本文重点解决在极低FLOPs条件下设计准确率更高的网络，通过Micro-Factorized Convolution在保证节点连接性条件下减低计算量，通过Dynamic Shift-Max激活函数加强通道间的联系，改善非线性，以弥补网络不能太深所带来的缺陷。通过实验看出MicroNet比MobileNetV3等轻量化网络不经拥有更低的FLOPs，而且在精度上的提升非常巨大。

目前遇到了造成该现象的两种原因：1、交叉熵和Softmax的错误使用该问题我已经总结在另一篇文章了：paddle：使用CrossEntropyLoss作为loss，训练时loss不下降？，注意paddle和pytorch的api很像，所以见一知二，自己推广。原因在于CrossEntropyLoss函数实际上内置了LogSoftmax 和 NLLLoss，也就是你一旦使用CrossEntropyLo

分组卷积及pytorch实现

前向映射这种方式有一个缺点，在图像旋转中，原图的坐标和新图的坐标不是一一对应的。在这个过程中，原图中多个像素点（左图红点）经过计算和取整后，可能映射到新图的同一个坐标点（右图红点），造成一些像素点永远没有对应的映射点（右图黑点），这些黑点最终呈现的就是背景色。顾名思义，反向映射就是根据新图坐标，计算其在原图中的坐标点，然后将原图中像素点值复制到新图中即可。我们知道原图中一个像素点的位置，可以通过计

0. 前言关于卷积核和过滤器的定义，事实上在使用时没有多在意，毕竟能理解作者意思即可。但是这篇文章让我理解了为什么使用深度学习框架定义卷积层时，该层的输出通道=卷积核的个数？因为在我看来，如果输入通道=3(比如RGB格式图片)，卷积核个数为1，那么输出通道=3，因为卷积核对每个输入通道都进行运算。但实际上深度学习框架中定义卷积核个数，可能是指滤波器的个数。1. 两者分别一句话：卷积核是二维的，滤波