目标检测综述

最新推荐文章于 2023-12-06 10:26:57 发布
最新推荐文章于 2023-12-06 10:26:57 发布
阅读量1.1k 收藏 9
点赞数 1
分类专栏： Deep Learning 文章标签： 目标检测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/MyArrow/article/details/103496155
版权

1. 目标

  • 分类-Classification
    • 解决“是什么？”的问题
    • 即给定一张图片或一段视频判断里面包含什么类别的目标
  • 定位-Location
    • 解决“在哪里？”的问题
    • 即定位出这个目标的的位置
  • 检测-Detection
    • 解决“是什么？在哪里？”的问题
    • 即定位出这个目标的的位置并且知道目标物是什么。
  • 分割-Segmentation
    • 分为实例的分割（Instance-level）场景分割（Scene-level）
    • 解决“每一个像素属于哪个目标物或场景”的问题。

2. 应用

  • 行人检测
  • 车辆检测
  • 交通标识
  • 缺陷检测
  • 病虫害检测

3. 基本概念

  • mAP: mean average precision

3.1 卷积

3.1.1 滤波器(Filter)

  • 滤波器必须具有与输入图像相同数量的通道，在滤波器（Filter)中为Kernel个数
  • Filter中Kernel的值（权重矩阵）通过训练获得

3.1.2 卷积层输出

  • 卷积层输出的通道数：等于卷积操作期间使用的滤波器的个数
  • 卷积层输出大小(宽和高)：
    W o u t = W i n − F w + 2 P S + 1 H o u t = H i n − F w + 2 P S + 1 W_{out} = \frac{W_{in}-F_w+2P}{S}+1 \\ H_{out} = \frac{H_{in}-F_w+2P}{S}+1 Wout​=SWin​−Fw​+2P​+1Hout​=SHin​−Fw​+2P​+1
    W i n W_{in} Win​：输入图像的宽度
    H i n H_{in} Hin​：输入图像的高度
    F w F_w Fw​：滤波器的宽度
    P P P：填充像素数(Padding)
    S S S：移动步幅(Stride)

3.1.3 三通道卷积运算（RGB图像）

  • RGB有3个通道(channels)，所以其对应的Filter(滤波器)必须有3个kernel, 每个kernel与一个channel对应元素相乘，然后相加；最后把三个输出值再相加，则为输出特征图像的一个元素
    在这里插入图片描述

3.1.4 多通道卷积运算

在这里插入图片描述

3.2 1x1滤波器

  • 用途：
    • 增加网络的深度
    • 升维或者是降维

3.2.1 增加网络的深度 (尺寸不变+激活)

  • 卷积核越大，它生成的 featuremap 上单个节点的感受野就越大，随着网络深度的增加，越靠后的 featuremap 上的节点感受野也越大。因此特征也越来越抽象
  • 若想在不增加感受野的情况下，让网络加深（即引入更多的非线性），而 1x1 卷积核，正好可以办到
  • 卷积后生成图片的尺寸受卷积核的大小和跨度影响，但如果卷积核是 1x1 ，跨度也是 1，那么生成后的图像大小就并没有变化
  • 但通常一个卷积过程包括一个激活函数，比如 Sigmoid 和 Relu。即在尺寸不发生变化的情况下，引入了更多的非线性，这将增强神经网络的表达能力

3.2.2 升维或者是降维(参数少)

  • 特征图像的通道数：等于滤波器的个数
    • 升维：若滤波器的个数大于输入层的通道数
    • 降维：若滤波器的个数小于输入层的通道数
  • 所有尺寸的滤波器都可以达到升维和降维的目的，但1x1滤波器所需的参数更少(即1个)，若只想单纯的去提升或者降低 feature map 的通道数，1x1 滤波器无疑是一个较佳选项

4. 算法

  • 算法思想
    • 以下算法将对象检测视为回归问题
序号算法检测器级数生成候选区域目标
1R-CNN两级选择性搜索算法 (SSA)目标：准确性, 缺点：速度慢
2Fast R-CNN两级选择性搜索算法 (SSA)目标：准确性, 缺点：速度慢
3Faster R-CNN端到端区域提议网络（RPN）目标：准确性, 缺点：速度慢
4SSD单级目标：速度快（实时），缺点：准确度低
5YOLO单级目标：速度快（实时），缺点：准确度低
  • 算法特点
序号算法作者特点
1DPM（Deformable Part Model)
可变形的组件模型		Felzenszwalb基本思想:先提取DPM人工特征，再用latentSVM分类
局限性：
 1) 首先，DPM特征计算复杂，计算速度慢；
 2) 其次，人工特征对于旋转、拉伸、视角变化的物体检测效果差
2AlexnetAlex Krizhevsky第一个卷积神经网络模型
3OverFeatZhang xiang优点：
 1) 共享卷积层用于多任务学习
 2) 全卷积网络思想
 3) 在特征层进行滑窗操作（Sliding Window）避免大量重复运算
缺点：
 1)采用了多尺度贪婪的划窗策略，导致计算量还是很大
 2)共享特征层的表征能力弱，不支持多尺度特征融合，对小目标效果差
4R-CNN
(Region CNN)		Ross Girshick检测步骤：
 1) 使用Selective Search算法从图像中提取2K个候选区域
 2) 把所有候选区域缩放成固定大小（227x226）
 3) 使用DCNN提取每个候选区域的特征，得到固定长度的特征向量
 4) 把特征向量送入SVM分类器得到类别信息
 5) 送入全连接网络进行回归得到在原图中的坐标位置
缺点：
 1) 重复计算，有2K个候选区域
 2) 非端到端方案，每一步开操作，且还要保存中间结果
 3）速度慢，检测一张图片需要10多秒
 4) 候选区域缩放成固定大小，会造成形变，导致检测性能下降
5SPPNet
(Spatial Pyramid Pooling)		Kaiming He思想：
 1）在R-CNN的基础上进行改进
 2) 先一次性计算卷积，然后提取候选区域的特征向量
 3) 对特征图像区域进行固定数量的网络划分，对划分的每个网格进行池化，最后得到固定长度的输出
优点：
 1）速度比R-CNN快了约30倍（卷积计算量大在减少）
缺点：
  1）非端到端方案，需要保存中间结果
6Fast RCNN
(FRCNN)		Ross Girshick思想：
  1) 基于SPPNet做了进一步改进
  2) 主要创新：使用RoI Pooling层, 将不同大小的候选区域的卷积特征图重采样成固定大小的特征
 3) RoI池化层与SPP层类似, 但只使用一个尺度进行网格划分和池化
 4) 将深度网络和后面的SVM分类两个阶段整合到一起，使用一个新的网络直接做分类和回归
进步：
 1) 网络在Pascal VOC上的训练时间从R-CNN的84小时缩短到9.5小时
 2) 检测时间从45秒缩短到0.32秒
7Faster RCNN
Shaoqin Ren思想：
 1) 在Fast RCNN 基础上进行改进
 2) 在主干网络中增加了RPN （Region Proposal Network）网络
 3) 通过一定规则设置不同尺度的锚点（Anchor）在RPN的卷积特征层提取候选框来代替Selective Search等传统的候选框生成方法
革新：
  1) 第一个端到端训练的网络
限制因素：
  1) 基础网络的复杂度
  2) 候选框数量的多少
  3) 分类和位置回归子网络的复杂度 (每个候选区域都独立进行前向计算)
8R-FCNJifeng Dai思想：
 1) 位置敏感得分图 (Position-Positive Score Maps) 通过预测RoI中不同部位的类别投票表决产生该RoI的类别预测
 2）R-FCN继承了 Faster RCNN 的框架结构
 3）在Faster R-CNN的基础上通过引入PPSM， 将RoI-Wise Subnetwork去掉了，直接在PPSM上利用RoI Pooling 进行信息采样，并进行分类和回归位置
9Mask R-CNNKaiming He思想：
 1）Faster R-CNN在做下采样和RoI Pooling时都对特征图大小做了取整操作，对语义分割的精度影响大
 2）对网络中涉及特征图尺寸变化的环节都不使用取整操作，而是通过双线性差值填补非整数位置的像素， 提升了目标检测效果且满足语义分割的精度要求
10总结总结总结：之上的算法为两阶段算法：
 1）候选区域生成
 2）区域分类
11YOLO
(You Look Only Once)		思想：
 1）单步算法（Single-Stage）
 2）算法将待检测图像缩放到统一尺寸
 3）为了检测不同位置的目标，将图像等分成网格
 4）若某个目标的中心落在一个网格单元中，此网格单元就负责预测该目标
 5） 比Faster R-CNN快了10倍
11.1YOLOv1特性：
 1）只针对最后7x7的特征图进行分析
 2）对小目标的检测效果不佳
 3）当多个目标出现在一个Grid Cell时，不容易区分
11.2YOLOv2特性：
 1）增加了批量归一化层以及残差网络结构
 2）增加了一个高分辨率的分类网络（448x448）
11.3YOLOv3特性：
 1）支持多尺度预测（FPN）
 2）更好的Backbone网络（Darknet53残差网络）
 3）分类损失采用binary cross-entropy损失函数替换Softmax损失函数（Softmax会选择分数最高的类别判定为当前框所属的类别，而现实中一个目标可能属于多个类别标签）
12SSD
（Single Shot MultiBox Detector）		效果：
 1）SSD对YOLO进行了改进，达到了和两阶段方法相当的精度，同时又保持了较快的运行速度
思想：
 1）采用了网格划分的思想，和Faster RCNN不同的是它将所有的操作整合在一个卷积网络中完成
 2）为了检测不同尺度的目标，SSD对不同卷积层的特征图像进行滑窗扫描
 3）在前面的卷积层输出的特征图像中检测小的目标，在后面的卷积层输出的特征图像中检测大的目标
13FPN
(Feature Pyramid Network)		思想：
 1）同时利用低层特征高分辨率和高层特征的高语义信息
 2）通过融合不同层的特征达到提升预测的效果的作用

4.1 R-CNN

  • 使用选择性搜索算法（SSA：Selective Search Algorithm）创建候选区域
  • SSA是一个固定算法，没有学习能力，且速度很慢（非常耗时）
  • 执行2000次CNN
    在这里插入图片描述
    在这里插入图片描述

4.2 Fast R-CNN

  • 执行1次CNN, 产生一个Feature Map
  • 生成候选区域(SSA)是Fast R-CNN的瓶颈在这里插入图片描述在这里插入图片描述

4.3 Faster R-CNN

  • 网络学习候选区域，然后预测候选区域(RPN)，而不使用固定的SSA算法
  • RPN
    • RPN层先经过3x3的卷积运算，然后分为两路
    • 一路用来判断候选框是前景还是背景，它先reshape成一维向量，然后softmax来判断是前景还是背景，然后reshape恢复为二维feature map
    • 另一路用来确定候选框的位置，通过bounding box regression实现
    • 两路计算结束后，挑选出前景候选框（因为物体在前景中），并利用计算得到的候选框位置，得到我们感兴趣的特征子图proposal
      在这里插入图片描述
  • 测试速度（包括候选区域）
    在这里插入图片描述

4.4 YOLO (You Only Look Once)

  • R-CNN系列：使用区域在图像内定位对象
  • YOLO：使用单个卷积网络预测边界框和这些框的类概率
  • YOLO比其他物体检测算法快几个数量级（每秒45帧）
  • 检测小物体困难
  • YOLO:不需要专门的RPN来获取ROI, 单次检测器会同时预测边界框和类别
  • 工作流程
    • 将一张图像分成一个SxS网格，在每个网格中我们使用m个边界框
    • 对于每个边界框，网络为边界框输出类别概率和偏移值
    • 选择具有高于阈值的类别概率的边界框，并将其用于在图像内定位对象
      在这里插入图片描述

4.5 SSD (Single Shot MultiBox Detector)

  • Faster R-CNN准确率mAP较高，漏检率recall较低，但速度较慢
  • 而YOLO则相反，速度快，但准确率和漏检率不尽人意
  • SSD：不需要专门的RPN来获取ROI, 单次检测器会同时预测边界框和类别
  • SSD综合了他们的优缺点，对输入300x300的图像，在voc2007数据集上test，能够达到58 帧每秒( Titan X 的 GPU )，72.1%的mAP

5. speed and accuracy比较(2018.3)

5.1 影响性能的因素

  • 特征提取器（VGG16，ResNet，Inception，MobileNet）
  • 提取器的输出步幅
  • 输入图像分辨率
  • 匹配策略和IoU阈值（如何在计算损失时排除预测）
  • 非最大抑制IoU阈值
  • 示例挖掘比率（正锚与负锚比率）
  • 建议或预测的数量
  • 边界框编码
  • 数据增强
  • 训练数据
  • 在训练或测试中使用多尺度图像（裁剪）
  • 对象检测在哪一个特征层执行
  • 定位损失功能
  • 使用的深度学习软件平台
  • 训练参数（batch size, input image resize, learning rate, and learning rate decay）

5.2 决策

  • 在准确度与速度间取得平衡
  • 正确的做法是：哪种检测器和哪种配置可以提供您的应用所需的速度和准确度的最佳平衡
  • 最准确
    • 最准确的单一模型使用Inception ResNet的Faster R-CNN和300个候选区域（1FPS)
  • 最快
    • 具有MobileNet的SSD可在最快的检测器中提供最佳的准确度
    • SSD速度快，但与其他检测器相比，对小物体的性能较差
    • 对于大型物体，SSD可以以更快，更轻的提取器胜过Faster R-CNN和R-FCN
  • 速度与准确度的最佳平衡点
    • 如果我们将候选区域数量减少到50，当准确度为32mAP时，Faster R-CNN可以达到R-FCN和SSD的速度

5.3 基于VOC2007/2012的比较

5.3.1 准确度比较

  • *：表示对小目标（small object）使用了数据增强（data augmentation）
  • **：表示结果是基于VOC2007测试集
    在这里插入图片描述

5.3.2 帧率比较

  • 输入图像分辨率和特征提取器会影响速度
  • 以下是相应论文报告的最高和最低FPS
    在这里插入图片描述

5.4 基于COCO的比较

5.4.1 准确度比较

  • 在COCO数据集上进行对象检测较难，通常检测器的mAP会低得多
  • FPN和Faster R-CNN *（使用ResNet作为特征提取器）具有最高的准确性
  • RetinaNet构建在FPN（使用ResNet）之上
    在这里插入图片描述

5.5 Google研究报告

5.5.1 速度和准确度(Speed v.s. Accuracy)

  • 使用MS COCO数据集进行训练
  • 使用TensorFlow重新实现Faster R-CNN, R-FCN, SSD
  • 通常Faster R-CNN更准确，而R-FCN和SSD更快
  • Faster R-CNN（使用Inception Resnet特征提取器，300个候选区域 ）获得最高的准确性(1FPS)
  • SSD（使用MobileNet特征提取器）获得最高的准确度（mAP）
  • 下图帮助我们找到最佳交易点，以实现良好的速度回报
    • 使用残差网络的R-FCN模型在准确性和速度之间取得了很好的平衡
    • 若把候选区域限制为50，则使用Resnet的R-CNN更快可以达到类似的性能
      在这里插入图片描述

5.5.2 特征提取器（Feature Extractor）

  • 特征提取器对精度的影响
    • Faster R-CNN和R-FCN可以利用更好的特征提取器
    • SSD对特征提取器不敏感
      在这里插入图片描述
      (The x-axis is the top 1% accuracy on classification for each feature extractor.)

5.5.3 物体大小

  • 大物体：即使使用简单的提取器，SSD的性能也很好。 使用更好的提取器，SSD甚至可以匹配其他检测器的精度
  • 小物体：SSD表现较差
    在这里插入图片描述
    在这里插入图片描述

5.5.4 输入图像分辨率

  • 更高的分辨率可显著改善小物体的物体检测能力，同时也有助于大物体
  • 当在两个方向上（行和列）将分辨率降低两倍时，准确度平均降低15.88％，但推理时间也平均降低27.4％
    在这里插入图片描述

5.5.5 候选区域数

  • 候选区域数量可以显着影响Faster R-CNN（FRCNN）速度，但不会大大降低准确性
  • 使用50个候选区域而不是300个候选区域时，使用Inception Resnet的Faster R-CNN可以将速度提高3倍, 但精度仅下降了4%
  • 由于R-FCN的每个ROI的工作量要少得多，因此速度提高不明显
    在这里插入图片描述

5.5.6 GPU Time

  • 不同的模型使用不同的特征提取器所消耗的时间
  • FLOPS（the number of floating point operations）用来衡量复杂度，它不一定反映准确的速度
    在这里插入图片描述
    在这里插入图片描述

5.5.7 内存

  • MobileNet需要的内存最小（小于1Gb）
    在这里插入图片描述

参考:

Arrow
关注
专栏目录
【Real-Time Detection survey】实时目标检测网络综述论文 A Comprehensive Study of Real-Time Object Detection Network
wendell 的博客
11-30 1730
目标检测任务同时对目标实例进行分类和定位。通常可分为一阶段和两阶段网络。两阶段检测网络通常包括一个独立的Region Proposal Network (RPN)。通过RPN提取到感兴趣区域，然后分别输入到分类head进行分类，输入到回归head得到定位坐标。通常两阶段网络很少用于实时检查。ThunderNet通过轻量化的RPN结构实现了实时检测。一阶段检测网络不包含独立的Proposal 结构，而是考虑所有可能的目标点。一阶段检测网络通常可分为基于anchor的和基于关键点定位的网络架构。
实时目标检测算法比较综述：不比不知道，原来NanoDet那么优秀！
我爱计算机视觉
01-06 1529
关注公众号，发现CV技术之美目标检测算法很多，但那些在COCO等数据集上登顶的算法往往模型较大、计算复杂度高，其实大家更关心的是“开源”且“实时”目标检测方法。今天向大家介绍一篇目标检测综述，其对常见的开源实时目标检测算法进行了比较研究，从精度、速度、鲁棒性、消耗能量等角度做了细致的比较，非常值得参考。这篇论文发表于Transactions on Machine Learning Research...
目标检测随笔1——目标检测简要综述
热门推荐
Sun7_She的专栏
04-03 1万+
本文转自： http://imbinwang.github.io/blog/object-detection-review 目标检测任务可分为两个关键的子任务：目标分类和目标定位.目标分类任务负责判断输入图像中是否有感兴趣类别的物体出现,输出一系列带分数的标签表明感兴趣类别的物体出现在输入图像的可能性.目标定位任务负责确定输入图像中感兴趣类别的物体的位置和范围,输出物体的包围盒
图像检索中的概念
PyBigStar的博客
12-02 534
class-level retrival是类级别的检索，而instance-level retrival是实例级别的检索。即前者能匹配的正确图像在数据库中可能有很多，而后者能匹配的正确图像在数据库中只有一个。**例如，**要找“一个穿蓝色衣服的金发女郎在打车。” 实际上你只有一个正确答案。不像class-level 或category-level的 要找“女性“可能有很多个正确答案。所以这个问题更细粒度，也更需要detail的视觉和文本特征。 ...
目标检测综述PPT-Object Detection in 20 Years: A Survey
04-15
Object Detection in 20 Years: A Survey的PPT版本，目标检测综述
计算机视觉 小目标检测综述
07-17
对小目标检测算法从检测流程、算法发展、常用评价指标、面临的挑战、小目标检测算法实验、小目标检测经典算法对比等几个方向进行总结，每一个点都很清晰，适合科研者或者研究生、本科生下载阅读使用。
基于深度学习的目标检测综述.pdf
08-04
目标检测是计算机视觉领域中最为重要且具有挑战性的分支之一。目标检测的任务在于定位并识别图像中具有特定类别语义的实例。随着深度学习技术的飞速发展，特别是在图像目标检测技术方面，目标检测的性能得到了极大的...
目标检测综述.pptx
03-16
目标检测综述.pptx
3D-RCNN: Instance-level 3D Object Reconstruction via Render-and-Compare
07-04
We present a fast inverse-graphics framework for instance-level 3D scene understanding. We train a deep convolutional network that learns to map image regions to the full 3D shape and pose of all object instances in the image. Our method produces a compact 3D representation of the scene, which can be readily used for applications like autonomous driving. Many traditional 2D vision outputs, like instance segmentations and depth-maps, can be obtained by simply rendering our output 3D scene model. We exploit class-specific shape priors by learning a low dimensional shape-space from collections of CAD models. We present novel representations of shape and pose, that strive towards better 3D equivariance and generalization. In order to exploit rich supervisory signals in the form of 2D annotations like segmentation, we propose a differentiable Render-and-Compare loss that allows 3D shape and pose to be learned with 2D supervision. We evaluate our method on the challenging real-world datasets of Pascal3D+ and KITTI, where we achieve state-of-the-art results.
DA-GAN: Instance-level Image Translation by Deep Attention Generative Adversarial Networks
weixin_37731534的博客
03-28 989
本文均为总结其他人的博客对遇见的一些问题的解决，如有侵权，请联系删帖 论文标题 ：DA-GAN: Instance-level Image Translation by Deep Attention Generative Adversarial Networks 论文提出的难点： （1）本论文采用的是无监督学习的方法，没有配对数据的情况下，很难找到正确的对应关系 （2）set-level约束不能学...
【Mo 人工智能技术博客】目标检测算法R-CNN介绍
Mo 的博客
08-18 1133
目标检测算法R-CNN介绍 作者：高雨茁 目标检测简介 目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置。 计算机视觉中关于图像识别有四大类任务： 1.分类-Classification：解决“是什么？”的问题，即给定一张图片或一段视频判断里面包含什么类别的目标。 2.定位-Location：解决“在哪里？”的问题，即定位出这个目标的的位置。 3.检测-Detection：解决“是什么？在哪里？”的问题，即定位出这个目标的的位置并且知道目标物是什么
目标检测（一）------Two stage（R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN、R-FCN）
weixin_42454048的博客
08-16 1836
1.基本概念 1.1 计算机视觉的几大任务 分类-Classification：解决“是什么”？的问题，即找出一张图像中物体的类别。 定位-Location:解决“在哪里”？的问题，即定位出目标的位置。 检测：解决“是什么”？“在哪里”？的问题，即定位出目标的位置，并确定其类别。 分割：分为实例分割（Instance-level）和场景分割（Scene-level），解决每个像素属于哪个目标物或哪...
【读书笔记】DA-GAN: Instance-level Image Translation
My Blog
03-22 4910
Abstract 旨在翻译两组独立图像的无监督图像翻译在没有配对数据而找到正确对应方面上具有挑战性。基于GAN展开的研究工作使得翻译图像的分布与目标集合的分布无法区分。然而，这样的集合约束不能学习实例级别的对应关系（例如对象配置任务中对齐的语义部分）。这种限制常常导致误报（例如几何或语义伪像），并进一步导致模式崩溃问题。为了解决上述问题，我们提出了一个由Deep Attention GAN（DA...
论文阅读：Instance-Level Salient Object Segmentation
Ethan_Wuuu的博客
08-08 4066
论文目的：saliency detection 和 salient object segmentation本文框架：首先，作者提出a deep multiscale refinement network（MSRNet），并用这个网络分别获得了salient region detection和salient object contour detection。其次，使用MCG方法，计算之前contour
论文阅读笔记《Instance-Level Embedding Adaptation for Few-Shot Learning》
深视
09-21 1860
小样本学习&元学习经典论文整理||持续更新 核心思想   本文提出一种基于度量学习的小样本学习算法（AAM），作者认为由于测试集和训练集的样本是来自不同分布的，且测试集的支持集中仅包含少量的样本，因此生成的类别表征是不可靠的。另一方面由于查询样本也存在较大的随机性，可能对应类别的类别表征并不相似，这样就容易导致误分类。作者提出一种注意力自适应模块（Attention Adaptation Module，AAM）用于调整类别表征和查询样本的特征向量，使其与对应类别的类别表征之间的距离更近。   本文思
麻雀搜索算法(SSA)改进——采用自适应t分布改进麻雀位置（TSSA）
hqJZWWL的博客
12-06 389
传统的SSA算法中，个体的位置更新方式是通过产生随机数来实现的，因此其收敛速度较慢、容易陷入局部最优解等问题。通过对比实验，可以发现，在一系列标准测试函数、最优化问题以及深度学习模型中，TSSA算法相比于基础SSA算法的搜索效果更好。通过引入自适应机制，TSSA算法能够实现对搜索空间的自适应调整，从而避免了局部最优解，提高了算法的收敛速度和全局搜索能力。麻雀搜索算法(SSA)改进——采用自适应t分布改进麻雀位置（TSSA），优化后明显要优于基础SSA（代码基本每一步都有注释，代码质量极高，非常适合学习）
#每天一篇论文# 252/365 3d-rcnn: Instance-level 3d object reconstruction via renderand-compare.
流浪机器人的博客
10-24 707
3D-RCNN :通过渲染对比实例级别3D目标重建 论文分析 人体估计 结果
2024目标检测综述
最新发布
07-19
目标检测是一种计算机视觉任务，它的目标是在图像或视频序列中找到并定位预定义类别的物体。2024年的目标检测研究概述通常会涵盖以下几个方面： 1. **深度学习的发展**：深度卷积神经网络（CNNs）如Faster R-CNN、YOLO (You Only Look Once) 和 SSD (Single Shot MultiBox Detector) 等仍是主流技术，但可能会有新的变体或改进版，比如Transformer架构的引入（如DETR或Mask R-CNN的增强版本）。 2. **实时性和效率提升**：随着硬件性能的进步和模型优化，研究人员会关注如何提高目标检测的速度和精度平衡，特别是在嵌入式设备和移动应用中的性能。 3. **实例分割和关键点检测**：除了基本的目标框标注，对每个物体进行像素级别的分割（例如Panoptic Segmentation）和精确的关键点定位也是重要趋势。 4. **多模态融合**：结合视觉信息与语音、文本等其他模态的数据可以提高检测性能，尤其是在复杂的场景理解和交互任务中。 5. **自监督和半监督学习**：减少依赖大量标注数据的方法，如无监督学习和弱监督学习，将会继续受到关注。 6. **领域适应和迁移学习**：针对特定领域或跨域目标检测的问题，模型的泛化能力和适应能力将是一个研究重点。 7. **开源库和挑战赛**：许多研究者还会参与到如ImageNet、MS COCO等大型数据集的竞争和贡献中，推动领域的技术发展。
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