Assignment of nine new bounding boxes by K-means.

Figshare2022-04-21 更新2026-04-28 收录

目标检测优化

机器学习算法应用

数据链接：

https://figshare.com/articles/dataset/Assignment_of_nine_new_bounding_boxes_by_K-means_/19632127 数据链接链接失效反馈

官方服务：

资源简介：

Assignment of nine new bounding boxes by K-means.

创建时间：

2022-04-21

对偶误差目标检测算法数据

目标检测优化

神经网络转换

为了减少ANN目标检测网络转SNN过程精度损失和模拟时间，本研究从目标检测SNN结构角度对转换过程产生的误差进行了理论分析，提出引入对偶误差的转换策略，使目标检测SNN推理过程中的误差与ANN训练过程误差保持一致，减少转换精度损失。模型测试结果包括2022年1月-2023年1月期间采用设计模型在COCO、VOC目标检测库上的结果测试，以及消融实验测试。数据库大小为2M。

国家基础学科公共科学数据中心130

Assignment of nine new bounding boxes by K-means.

目标检测优化

K-means聚类应用

Assignment of nine new bounding boxes by K-means.

NIAID Data Ecosystem70

Code and data underlying the paper: "Aligning object detector bounding boxes with human preference"

目标检测优化

边界框回归

Previous work shows that humans tend to prefer large bounding boxes over small bounding boxes with the same IoU. However, we show here that commonly used object detectors predict large and small boxes

4TU.ResearchData2024-05-31 更新70

Appendix B. Likelihood-based inference using particle swarm optimization and expectation-maximization (EM) algorithm.

统计参数优化

机器学习算法应用

Likelihood-based inference using particle swarm optimization and expectation-maximization (EM) algorithm.

NIAID Data Ecosystem80

Performance comparison of different IoU loss functions.

目标检测优化

损失函数

Performance comparison of different IoU loss functions.

Figshare2025-05-09 更新70