【计算机视觉】BING: Binarized Normed Gradients for Objectness Estimation at 300fps

最新推荐文章于 2020-03-26 11:38:20 发布
最新推荐文章于 2020-03-26 11:38:20 发布
阅读量2k 收藏 5
点赞数 5
分类专栏： 计算机视觉 翻译
计算机视觉 同时被 2 个专栏收录
179 篇文章 40 订阅 ¥39.90 ¥99.00
订阅专栏
翻译
3 篇文章 0 订阅
订阅专栏
本文提出了一种名为BING的二值化归一化梯度特征，用于高效地估计图像中的物体存在。通过观察到物体通常具有清晰的边缘，BING将图像窗口缩放并利用梯度幅度来区分对象。实验表明，BING方法在PASCAL VOC 2007数据集上以300fps的速度生成高分辨率的物体窗口，达到96.2%的检测准确率。通过增加建议窗口和考虑颜色空间，准确率可提高至99.5%。BING方法因其高效和通用性，适用于各种物体检测任务。
摘要由CSDN通过智能技术生成

BING: Binarized Normed Gradients for Objectness Estimation at 300fps

Ming-Ming Cheng, Ziming Zhang, Wen-Yan Lin, Philip Torr, IEEE CVPR, 2014

了解本专栏 订阅专栏 解锁全文
Zhang_P_Y
关注
专栏目录
订阅专栏
BING : Binarized Normed Gradients for Objectness Estimation at 300fps 论文笔记
k123han123的专栏
05-13 7486
这篇CVPR2014的论文与之前那篇Boosting Binary Keypoint Detection一样，都是利用二进制来加速计算。这篇主要有两大亮点。第一个亮点是发现了在固定窗口的大小下，物体与背景的梯度模式有所不同。如图1所示。图1（a）中绿框代表背景，红框代表物体。如果把这些框都resize成固定大小，比如8X8，然后求出8X8这些块中每个点的梯度并作归一化（Normalized Gra
CVPR 2014 ObjectnessBING 原文翻译
weixin_30640769的博客
06-11 462
BING: Binarized Normed Gradients for Objectness Estimation at 300fps Ming-Ming Cheng, Ziming Zhang, Wen-Yan Lin, Philip Torr, IEEE CVPR, 2014 基于二值化赋范梯度特征的一般对象估计 摘要： 通过训练通用的对象估计方法来产生一组候选对象窗口，能够...
一般物体检测--Binarized Normed Gradients for Objectness Estimation at 300fps
blog
04-06 1万+
前一段时间很多人在网上传程明明在CVPR14年上即将发表的Objectness文章，Project Page在这里，和这里。最近，正好想用一般物体检测做点事情，上周也在实验室做了一个这个方面的报告，今天打算在博客上总结一下。
BING: Binarized Normed Gradients for Objectness Estimation at 300fps
WordZzzz
08-23 4628
BING: Binarized Normed Gradients for Objectness Estimation at 300fps
BING: binarized normed gradients of object estimation at 300fps
10-28
在论文《BING: Binarized Normed Gradients for Objectness Estimation at 300fps》中，作者们介绍了一种新颖的特征提取方法，用于快速地确定图像中的潜在目标区域。 BING的核心思想是利用图像梯度的标准化和二值化...
BING（Binarized Normed Gradients for Obkectness Estimation at 300fps）
04-29
介绍了一种名为Binarized Normed Gradients for Obkectness Estimation（BING）的目标检测算法，该算法采用特征学习和SVMs作为核心，处理频率达到300pfs，是一种具有优秀实时性的检测方法！
matlab有些代码不运行-BING:用于300fps的客观性估计的二值化范数梯度
05-23
300fps}, author={Cheng, Ming-Ming and Liu, Yun and Lin, Wen-Yan and Zhang, Ziming and Rosin, Paul L and Torr, Philip HS}, journal={Computational Visual Media}, volume={5}, number={1}, pages={3--20}, ...
nb大了：BING: Binarized Normed Gradients for Objectness Estimation at 300fps
walle的博客
09-07 805
http://mmcheng.net/zh/bing/    http://blog.csdn.net/xiaojidan2011/article/details/19939655
BING: 二值范数化梯度实现300帧每秒的对象性估计 源代码
06-21
BING: 二值范数化梯度实现300帧每秒的对象性估计。程明明的对象性快速检测
BING算法——纯检测
12-19
这个是BING算法纯检测部分的实现，训练好的模型已经在里面了。只需要修改你自己图片的路径就可以使用。 工程上使用大概20FPS。
LiuBing提出的CBA算法
11-10
1998年新加坡国立大学的LiuBing首次提出了CBA算法，该资源即为他当年所发表的论文，希望能对大家有所帮助
（已经得到cmm的同意）CVPR2014 Objectness Estimation at 300fps.（附上程序）
热门推荐
脚踏实地
02-25 2万+
本文转自http://www.cvchina.info/2014/02/25/14cvprbing/， 感谢cmm. BING: Binarized Normed Gradients for Objectness Estimation at 300fps. Ming-Ming Cheng, Ziming Zhang, Wen-Yan Lin, Philip To
论文笔记（8）：BING: Binarized Normed Gradients for Objectness Estimation at 300fps
weixin_30621959的博客
02-02 153
译文： 《基于二值化赋范梯度特征的一般对象估计》 摘要： 通过训练通用的对象估计方法来产生一组候选对象窗口，能够加速传统的滑动窗口对象检测方法。我们观察到一般对象都会有定义完好的封闭轮廓，而且通过将相关图像窗口重置为固定大小，就可以通过梯度幅值进行区分。基于以上的观察以及复杂度的考虑，为了明确训练方法，我们将窗口固定为8*8的，并将梯度幅值转化为一个简单的64维的特征来描述这个窗口...
BING（Binarized Normed Gradients for Objectness Estimation at 300fps）学习笔记
oChenWen的专栏
03-26 240
一、基本思想： 通用的目标都有一个共同的特征：独立且有完整封闭轮廓。 而完整封闭轮廓可以通过梯度幅度图像来表征。 用归一化的梯度幅度（NG）特征构建样本，简单的线性SVM即可实现分类。 二、主要贡献点： 1. 封闭轮廓的特征有效反映了一般目标的基本特征 。 2. 解决检测速度问题： 将特征进行二值化处理， 特征矩阵利用分页方法表示。 8*8的图像对应个8*8的二
学习《Binarized Normed Gradients for Objectness Estimation at 300fps》
qianxin_dh的专栏
09-27 4855
《BING: Binarized Normed》
CVPR2014 Objectness BING 源码编译
WordZzzz
09-03 2104
CVPR2014 Objectness 源码编译 转载请注明作者和出处：http://blog.csdn.net/u011475210 操作系统：WINDOWS 10 软件版本：VS2013+OpenCV2.4.13 编者: WordZzzz
binarized normed gradients
最新发布
04-28
Binarized Normed Gradients是一种用于优化神经网络模型的技术，它涉及到二值化梯度和标准化梯度这两种技术。 首先，梯度是指神经网络中每个权重对应的下降速率，它对模型的训练很关键。二值化梯度是指将梯度中的...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值