这篇博客回顾了2017年CVPR会议上关于目标检测的重要论文，包括Speed/Accuracy trade-offs, YOLO9000, Fast-RCNN, Feature Pyramid Networks, RON等。这些研究关注了检测器的速度优化、准确率提升、对抗学习生成困难样本、多尺度特征融合以及小目标检测的挑战。通过对各种方法的探讨，揭示了目标检测领域的进展和技术趋势。"
106775651,8783232,Cassandra数据建模：主键的重要性和使用,"['数据库', '大数据', 'Cassandra', '数据建模']
1、Speed/accuracy trade-offs for modern convolutional object detectors
其主要考虑三种检测器（Faster RCNN,R-FCN,SSD）作为元结构，三种CNN网络（VGG，Inception，ResNet）作为特征提取器，变化其他参数如图像分辨率、proposals数量等，研究目标检测系统准确率与速度的权衡关系。
2、YOLO9000:Better, Faster, Stronger
其为YOLO升级版，其对YOLO方法作了一些改进，Better方面考虑（Batch Normalization, High Resolution, Anchor Boxes, Dimension Clusters, Direct location prediction, Fine-Grained Features, Multi-Scale Training）,Faster方面提出一个新的Darknet-19结构。除此之外，其提出一个方法在目标检测数据集与图像分类数据集上联合训练，主要构建了一个视觉内容分层树结构WordTree。
最低0.47元/天 解锁文章
473
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
