为每个网格点预测的框的数量 ， 默认是3 。
感受野的计算公式：
如表3所示 ， 使用了2个Dilated卷积的网络 ， 只下采样3次 ， 感受野和下采样4次的网络一样 。

文章图片
3.实验
我们分析了VEDAI数据集和DOTA数据集的数据分布：

文章图片

文章图片
在VEDAI数据集上 ， 设计了2种实验 ， 实验1是将‘car’,‘pick-up’和‘van’合并成了1个类别 ， 实验2是使用了原来的9个类别 ， 结果如下 ， 结果明显好于YOLOv2和TinyYOLOv3 ， 但是低于YOLOv3：
在DOTA数据集上的比较：
不同网络的速度的比较：
可以看到 ， 模型速度和TinyYOLOv3相当 ， 准确率大大超过TinyYOLOv3 ， 仅仅比YOLOv3略低 。
—END—
喜欢的话 ， 请给我个在看吧！

• 小米科技|近几代小米影像旗舰，谁的设计最有特色，结果没意外
• 鼠标|联想遇到“对手”！鼠标界“新星”靠14元激光鼠标杀入市场，众品牌小心
• 小米品牌|Wi-Fi7来了 小米13 Pro即将升级支持
• 小米科技|佳能新入门全幅无反相机R8规格曝光 26MP传感器 无机身防抖
• BOSS直聘？雷军下场为小米汽车自动驾驶部门招人
• 阿里巴巴|不被表象迷惑，剖析小米新车图泄露背后内幕
• 小米科技|手机广告有点太过分，不点击就能进入，小米的做法值得点赞
• 小米13Pro|当新鲜感过去，小米13Pro还值得入手吗？客观分析优缺点！
• 小米科技|小米13 Pro价格昂贵，为什么还有人愿意买它？主要原因有三个
• 小米科技|预算5000元-6000元，这3台手机闭眼买就行