ScarecrowLiu-CSDN博客

原创 CRAFT Objects From Images

CRAFT Objects From Images现阶段的目标检测方法基本上是两段式的，第一阶段生成目标proposals，第二阶段是对目标proposals进行分类。本文对Faster RCNN进行了改进，分别对Faster RCNN中的这两个阶段进行了一定的improvement。对于生成目标proposals阶段，论文在RPN的后面加了一个二值的Fast RCNN分类器来对RPN生成的p

2016-11-07 16:38:39 2426

原创 ProNet:Learning to propose object-specific Boxes for Cascaded Neural Networks

ProNet: Learning to propose object-specific Boxes for Cascaded Neural Networks1.本篇的目的是在只给定图像级训练标注(image-level annotation)的情况下分类和定位目标(Classify and locate object)；2.论文采用的是完全卷积网络的结构来同时进行分类和定位。完全卷

2016-11-01 11:00:28 1136

原创 Attention to Scale: Scale-Aware Semantic Image Segmentation论文阅读笔记

本篇论文主要介绍了尺度感知的语义图像分割(scale-aware Semantic Image Segmentation)1.首先，多尺度的特征是提升语义图像分割性能的一个关键因素。2.提取多尺度的特征主要有两种网络结构：第一种是：skip-net，第二种是：share-net (1)skip-net的特点是取网络中多个中间层的特征并合并成一个特征，以实现多尺度的

2016-10-31 15:18:56 4522 3

转载 CVPR2016代码合集

1Upvotedownvote_CODE / PROJECT-PAGES:Project page for "Efficient and Robust Color Consistency for Community Photo Collections. - Jaesik Park, Yu-Wing Tai, Sudipta N. Sinha, In

2016-10-25 11:06:51 2420 3

原创 Holistically-Nested Edge Detection

本篇论文提出了一种新的网络结构进行边缘检测，论文这种网络结构称为Holistically-nested network。HED能够实现图像到图像的训练，输入一个图像，输出这个图像的边缘检测图。 1.现有的Multi-Scale和Multi-level学习的网络结构2. (e)图是论文提出的HED网络体系结构，它的主要思想是每一个卷积层后面增加了一个side output l

2016-07-06 19:41:21 6747 3

原创 Training Region-based Object Detectors with Online Hard Example Mining

本篇论文所做的主要贡献是针对Fast R-CNN框架，提出了一种在线筛选hard region的策略。主要内容：基于区域的Convnet目标检测有许多超参数如负样本与Groundtruth的IOU，正负样本的比例(fast r-cnn正负样本的比例是1:3)等，本论文中作者提出了在线困难样本挖掘方法OHEM(Online Hard Example Mining)；Fast R-C

2016-06-14 15:19:00 2734

原创 Scale-aware Fast R-CNN for Pedestrian Detection

Scale-aware Fast R-CNN for Pedestrian Detection(Scale-aware Fast R-CNN进行行人检测)本篇论文对Fast R-CNN进行了改进，利用训练阶段得到的scale-aware权值将一个large-scale sub-network和small-scale sub-network合到一个统一的框架中。一个object propos

2016-06-02 20:37:54 3158 3

原创 Adaptive Object Detection Using Adjacency and Zoom Prediction

(个人觉得本论文主要的创新就在于自适应搜索检测，对于一个可能包含小物体目标的区域再进行细分)摘要：目标检测系统的性能依赖于精确的region proposals集合。最近一些方法使用一个神经网络结构来假设可能的目标位置，而这些方法都是computationally efficient，但它们依赖固定的图像区域作为anchors以进行预测。本篇论文提出使用一种搜索来自适应地将计算资源导向可能包含

2016-06-02 17:10:48 2171 1

原创 Fast and Accurate CNN Object Detector with Scale Dependent Pooling and Cascad Rejection Classifiers

论文的题目是《Exploit All the Layers: Fast and Accurate CNN Object Detector with Scale Dependent Pooling and Cascaded Rejection Classifiers》。（本篇论文主要在Fast R-CNN基础上提出了两个创新：尺度相关的池化SDP；级联拒绝分类器CRC)1.论文所提出的利用卷

2016-06-02 16:20:56 2144

原创 We don't need no bounding-boxes: Training object class detectors using only human verificatio

(个人感觉此篇论文的检测过程与RCNN类似，只是用检测之后的Human verification替换了初始的训练集Groundtruth标注。在开始时，对图像用Edgebox生成proposals，然后用CNN提取特征，训练SVM检测器，得到检测分值，每一张图像检测分值最高的作为检测结果。论文提出在检测后加了一个交互过程，用户需要对检测结果进行human verification过程，根据标注者v

2016-05-24 11:23:48 1664

原创 G-CNN: an Iterative Grid Based Object Detector

本篇论文的主要创新点是去除了基于CNN的目标检测框架中object proposal阶段，将目标检测问题模型化为迭代回归问题。摘要：我们介绍一种基于CNN但不需要proposal算法的目标检测技术。G-CNN从一个固定bounding boxes的多尺度网格开始(starts with a multi-scale grid of fixed bounding boxes)。我们训练一个回归器迭

2016-05-19 16:27:54 5115 1

原创 HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection

写下此论文笔记仅是为了记录自己看论文的一个过程以及一些收获希望，希望能够和更多志同道合的朋友一起讨论交流！感觉本篇论文的主要创新点是在于将低层、中间层和高层的feature maps结合起来形成Hyper Feature来进行region proposal和object detection，其它部分与Faster R-CNN很相似。摘要：现在的目标检测都是用region proposa

2016-05-13 11:08:47 4138 7

ScarecrowLiu的博客