计算机视觉
Jimyang1ssa
这个作者很懒,什么都没留下…
展开
-
Training Region-based Object Detectors with On line Hard Example Mining阅读笔记
Training Region-based Object Detectors with On line Hard Example Mining1.Introduction目标检测经常转换为目标classification问题。这样做的后果就是导致标注的目标和背景的比例严重不均衡。 在使用滑动窗口时,背景与目标框的比例约为100000:1.虽然近年来的object-proposal-based方法翻译 2017-09-02 18:40:08 · 708 阅读 · 0 评论 -
MetaAnchor: Learning to Detect Objects with Customized Anchors
Abstract本文提出了一种灵活有效的anchor生成机制用于目标检测框架,我们取名为MetaAnchor,不同于之前的检测框架中,使用预先设定的Anchor,MetaAnchor可以从任意的自定义的预设box中动态生成。MetaAnchor可以适用于任何的基于anchor的目标检测框架,如RetinaNet。与之前的anchor预先定义的机制相比,我们发现MetaAnchor在anchor...翻译 2018-07-22 21:06:26 · 2970 阅读 · 0 评论 -
tensorFlow学习资源总结
持续更细中:实践强化学习应用于游戏:https://github.com/yenchenlin/DeepLearningFlappyBirdtensorFlow示例代码:https://github.com/aymericdamien/TensorFlow-Examples博客文章First Contact With TensorFlow学习笔记:https://gith...原创 2018-08-27 14:48:23 · 242 阅读 · 0 评论 -
darknet中YOLO分类损失梯度源码理解
之前一直对darknet中的分类损失梯度计算函数有些不太明白,不清楚为何在开始还有有一段对delta[index]是否为0的判断。后来思考了一下,觉得应该是这个原因。首先看一下这段代码:void delta_yolo_class(float *output, float *delta, int index, int class, int classes, int stride, float *...原创 2018-08-23 10:30:48 · 1914 阅读 · 10 评论 -
目标检测经验总结
1.大目标检测效果较差:增加降采样倍数,增大网络感受野,增加大anchor尺寸 2.小目标过滤会对模型检测效果有所提升 3.多尺度信息融合对目标检测效果会有提升...原创 2018-08-29 11:35:16 · 1370 阅读 · 0 评论 -
An Analysis of Scale Invariance in Object Detection-SNIP论文阅读笔记
提出问题深度学习方法提出后,目标分类任务性能急剧提升,top-5 error on ImageNet已经从15%降低到2%,这对于1000类目标分类任务已经超越了人类水平。但是在COCO数据集上的检测任务中(目标只有80类)检测器的mAP性能却只有62%(即使overlap设置只有50%)。为什么目标检测要比目标分类任务困难许多?检测目标的尺度范围变化很大(在COCO检测数据集中,最小的...翻译 2018-09-29 20:37:13 · 330 阅读 · 0 评论