HPUPUPUP-CSDN博客

原创 WESPE：Weakly Supervised Photo Enhancer for Digital Cameras论文

1.摘要：提出了一个能够自动将低质量的图像（移动设备）转换到高质量图像（DSLR单反设备）的深度学习方法——WESPE。这是一个弱监督的方法，不需要像之前强监督的转换方法，不需要将低质量和高质量的每一个图像进行配对。只需要提供一个低质量的数据集（来源手机），一个高质量的数据集（网络爬取），他们之间的视觉内容可以是无关的。此外，训练了基于CNN的一个评估方法来模拟在Flickr数据集上人的打分，然后使用这个网络来获得原图和增强图的参考分数。在一些开源数据集上做了实验：DPED，KITTI，citysc

2021-11-26 09:39:48 1118

原创 anchor-free方法总结

cornernet，centernet，onenet，fcos这几篇论文的引用关系（提出先后顺序）：将按照上面的顺序，从背景、标签分配等方面说明区别于联系。一、背景：Cornernet：认为使用anchor需要很多的超参数和手动设计选择，网络复杂。而且需要大数量的anchor来确保覆盖gtbox，导致正负样本不平衡，降低训练速度，于是提出不用anchor，将检测目标当做一对关键点（box的左上，右下）来检测。Centernet：关于anchor的背景和cornernet类似，也是将对anchor

2021-10-18 16:34:15 1324

原创 ghost论文笔记

在此之前成功的CNN模型有个重要的特点就是他们的特征图冗余。本文目的是用ghost module通过很少的计算生成更多的feature map。在和mobilenet v3相似的计算量下，取得了更好的表现（75% top1accuracy）介绍：例如从下图中可以看出resnet50生成的特征图从图中可以看出有很多相似的。这就是特征图的冗余，上图中的工具就是ghost，以很少的计算获得新的特征图。实验结果表明，提出的ghost模块能够减少计算成本，同时保证相似的识别能力。本文提出了ghost mod

2021-10-16 15:47:45 739

原创 FCOS: Fully Convolutional One-Stage Object Detection论文笔记

介绍：anchor based检测器有一些缺点：1.有很多超参数，例如size，长宽比，anchor的数量，这些超参数都需要仔细设计与调整。2.因为设计后尺度，长宽比都是固定的，不能很好地应对大范围的变化，尤其是小目标，当遇到一个新的检测任务的时候需要重新设计这些参数。3.为了覆盖所有gtbox，anchor based提出了很多的anchor，绝大部分anchor 都是负的，这导致了样本不平衡。4.anchor based还需要计算iou，来分配正负样本的标签。这个新的检测框架有如下优点：1

2021-10-16 15:36:35 736

原创 CornerNet: Detecting Objects as Paired Keypoints

摘要：cornernet是一种anchor free的方法。提出了cornernet，通过检测成对的关键点（box的左上，右下），去掉了anchor，此外还介绍了corner pooling（一个新的pooling layer ），帮助网络更好的定位corner角点。introduction：使用anchor有两个缺点：1.DSSD使用了40k个anchor，retinanet有超过100k个anchor，需要大数量的anchor来确保与大多数gtbox有足够的重叠。结果，只有极小的一部分ancho

2021-10-16 15:20:47 575

原创 Centernet：object as point论文笔记

1.摘要：检测将对象识别为轴向boxes，大部分目标检测枚举了详尽的潜在目标位置和对每个潜在对象分类，这是浪费的，低效的，需要很多后处理。本文将目标建模为一个点——bbox的中心。本文检测器用关键点评估来找到中心点和其他目标属性的回归。本文的方法叫CenterNet，是一个端到端的，更简单，更快，更精确的检测器。2.介绍：one-stage detector为可能的bboxes滑动一个复杂的安排，叫做anchor，然后直接对他们分类，不经过具体的box内容。two-stage的。。。。，尽管如此，这些

2021-10-12 16:30:16 387

原创 Focal Loss论文笔记

摘要：发现在训练密集的检测器的时候，遇到极端的前景背景不平衡。提出解决类别不平衡通过重塑标准的cross entropy loss，降低分配给分类很好的样本的loss。为了评估loss的有效性，我们设计和训练了一个简单的密集检测器：RetinaNet。1.introduction提出一个问题：简单的one-stage检测器能够取得two-stage的相似的精度吗？为了达到这个结果，证明了训练时的类别不平衡是阻碍one-stage取得高精度的主要障碍。提出了一个新的loss函数来消除这个障碍。在rcn

2021-10-10 10:57:18 714

原创 YOLOv4论文笔记

1.introduction:关注于建立一个能够实时操作和在传统gpu上的cnn，只需要一块gpu。贡献主要包括：1设计了一个目标检测detector，使能够在1080ti训练非常快和精确的目标检测器。2验证了在检测器训练阶段无痛涨点和特殊涨点的方法3修改了这些方法，使他们更有效和适合单gpu训练。2.related work2.1目标检测方法检测器主要包括两部分：backbone（vgg，resnet，densenet），head部分分为两类：one-stage,two-stage，最

2021-10-08 19:24:15 252

原创 YOLO9000论文笔记

YOLO9000论文笔记1. Introduction大部分检测方法被小数量的目标数据集限制，和其他分类和标记任务的数据集相比，目前目标检测的数据集是有限的。本文提出了一种利用分类数据集的方法来扩大当前检测系统的范围。利用目标分类的分层视角使能够把明显不同的数据集联合在一起。提出了一种联合的训练算法，使在检测数据集和分类数据集上都能训练目标检测器。（数据集联合方法和联合的训练算法），使能够实时检测超过9000类。2.better我们关注于改善recall和定位，同时保持分类精度，通常好的表现依赖于

2021-10-06 15:38:42 248

WAXXHHHH的博客