论文
文章平均质量分 80
昌山小屋
917
展开
-
【玩转PointPillars】PillarScatter操作
ing....原创 2021-07-18 08:59:51 · 3021 阅读 · 2 评论 -
【玩转PointPillars】点云特征提取结构PFN(PillarFeatureNet)
class PFNLayer(nn.Module): def __init__(self, in_channels, out_channels, use_norm=True, last_layer=False): """ Pillar Feature Net Layer. The Pillar Fea...原创 2021-07-17 21:00:04 · 4301 阅读 · 7 评论 -
【论文解读】How far are we from solving the 2D & 3D Face Alignment problem?
【参考】https://github.com/facebookresearch/supervision-by-registrationhttps://www.adrianbulat.com/face-alignment/1.介绍 这一节主要概述这篇论文的几点贡献: 构建了一个很强的2D人脸关键点检测baseline,主是结合了已有的最优的关键点检测的网络结构,并且在一个...原创 2019-04-26 09:36:07 · 2904 阅读 · 2 评论 -
【论文解读】Wing Loss for Robust Facial Landmark Localisation with Convolutional Neural Networks
这篇论文有以下4个方面的贡献,这里我主要是分析前两点贡献,这也是让我感觉最新颖的地方:对基于CNN的人脸关键点检测方法中用到的各类损失函数做了系统分析,比较了L1、L2以及smooth L1损失函数,发现L1和smooth L1比L2性能更优; 提出了一个新的损失函数Wing loss,旨在提高深度网络训练过程中应对小范围和中等范围内的误差的能力; 提出了基于姿态的(pose-ba...原创 2019-05-05 18:34:21 · 3175 阅读 · 0 评论 -
【论文解读】ZFNet中的特征可视化
这篇文章通过对特征图进行可视化,使得神经网络这个黑盒不再那么黑。ZFNet的网络结构是基于AlexNet改的,如下图所示,比较清晰明了。从上图注意到,ZFNet含5个卷积层Layer1~Layer5以及2个fc层Layer6、Layer7,特征可视化是针对的Layer1~Layer5。我们知道一个标准的卷积层大概包含三个步骤:Conv(卷积)->Activation(激活)&...原创 2019-02-28 15:49:00 · 1022 阅读 · 0 评论 -
【论文解读】yolo-v2
介绍 作者在yolo的基础上进行改进,提出了yolov2。此外,作者还提出了一种目标检测与分类的联合训练方法,允许在检测和分类数据集中训练目标检测系统。 图:yolo网络架构Batch Normalization 在YOLO所有的卷积层后面添加...原创 2018-07-22 16:16:38 · 410 阅读 · 0 评论 -
faster-rcnn中的RPN
使用卷积神经网络对图像进行分类已经有很多成熟的方案,而目标检测不仅要对图像中的目标进行分类,而且还要对目标进行定位。一个很简单的思路就是先从一幅完整的图像中选取若干候选区域,然后再对这些候选区域进行分类。RCNN系列的开篇之作就是这么做的。先用传统算法如selective search在原图中提取2000个大小不一的候选区域,这些候选区域本质上也是一幅图像,只是它们都是从原图中提取出...原创 2018-07-22 11:34:26 · 1594 阅读 · 3 评论 -
【论文解读】R-RPN
题目:Arbitrary-Oriented Scene Text Detection via Rotation Proposals 原文:https://arxiv.org/pdf/1703.01086.pdf在Faster-RCNN一文中作者提出了候选区域网络(RPN)的概念,使用RPN来生成候选区域。RPN直接作用于特征图上,而不是像selective searc...原创 2018-04-05 16:51:01 · 8858 阅读 · 3 评论 -
【论文笔记】VGG
介绍 在这篇文章中,作者对传统的卷积网络在“深度”方面进行了拓展。卷积网络配置结构 训练阶段,我们的卷积网络的输入是固定大小为224 x 224的RGB图像。配置 表1是本论文中所评测的卷积网络的配置,每一列表示一种网络结构。所列的这些网络唯一的不同在于他们的深度。卷积层的宽度都相当地窄,从第一层的64开始,每过一个最大池化层(max-polling la...原创 2018-03-28 16:12:15 · 747 阅读 · 6 评论 -
【论文解读】Faster R-CNN
摘要 摘要里面印象深刻的就是那句“The RPN is trained end-to-end to generate high-quality region proposals,which are used by Fast-RCNN for detection”,从这句话可知Faster-RCNN目标检测的过程实际上是分成了两步走策略,由RPN生成候选区域,再交给Fast-RCNN对候选...原创 2018-03-25 19:19:40 · 817 阅读 · 0 评论 -
【论文解读】SPPnet
论文:Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition介绍基于卷积的深度神经网络显著提高了图像分类的准确率,但在训练和测试的过程中也存在一个技术上的争议点:当前普遍流行的卷积神经网络(CNNs)要求输入为固定尺寸的图像,例如:224x224、96x96等,因而限制了图像的比例和...原创 2018-03-24 23:20:04 · 535 阅读 · 0 评论 -
【论文笔记】Network In Network
介绍CNN中用到的卷积滤波器对于潜在的数据块来说是一个通用的线性模型(GLM),我们认为GLM抽象的层次比较低。用一个更强大的非线性函数逼近器作为“微型网络”取代GLM能提高模型的抽象能力。在NiN中我们的微型网络选用的是一个多层感知机。从网络结构的角度来看我们相当于增加了一个称之为mlpconv的网络层,它和线性的卷积层类似,都是将局部感受野映射为一个特征向量。Mlpconv使用一个...原创 2018-03-12 19:23:58 · 394 阅读 · 0 评论 -
【论文笔记】Fast R-CNN
介绍 深度卷积神经网络(ConvNets)显著提高了图像分类和目标检测任务的准确率。和图像分类相比目标检测又更具有挑战性,这主要是两方面的原因。首先,大量候选目标的位置数据需要被处理。其次,这些候选目标提供的位置数据比较粗糙,需要进一步精调。对这些问题的解决方案通常需要权衡速度、准确率和简便性。在这篇论文中我们提出一个单阶段的训练算法,能将候选区域的分类和定位进行结合。R-CNN和S...原创 2018-03-20 15:02:00 · 551 阅读 · 0 评论 -
【论文笔记】RCNN
介绍 CNNs在90年代曾大量使用,但后来由于支持向量机(SVM)的兴起而衰落。2012年,由于Krizhevsky等人将CNNs应用于ILSVRC在图像分类上表现出了更高的精确率从而重新燃起了对它的兴趣。他们的成功源自于在120万标注了的图像数据集上训练出一个大规模的CNN,并结合了LeCunn的CNN的一些变体。ImageNet上的比赛结果在ILSVRC 2012峰会上引起了热烈的讨...原创 2018-03-17 09:23:08 · 421 阅读 · 0 评论 -
【论文笔记】DenseNet
介绍卷积神经网络(CNNs)已成为视觉物体识别领域占据主导的机器学习方法。虽然訪方法最初于20年前提出,但直到最近由于硬件性能和网络结构上的改善才真正意义上实现深层的CNNs训练。 随着CNNs层次越来越深,新的问题随之出现。输入信息或者说梯度当经过众多层到达网络底端后会消失。这篇论文提出了一种新的连接模式:为最大化网络之间的信息流动,我们将网络中的每一层与其它层直接相连。每...原创 2018-03-11 09:29:05 · 1122 阅读 · 0 评论