![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
mdetection系列
文章平均质量分 77
交换喜悲
这个作者很懒,什么都没留下…
展开
-
mmdetection中的Spatial-Transform-Decoupling项目部署,debug记录
安装conda,在root/anaconda/bin。在这之前,因为是新的服务器,很多包没有安装。按ESC 按:wq 删除是Delete。原创 2024-07-08 20:53:40 · 304 阅读 · 0 评论 -
深度学习之旋转目标检测复现:ARC-main 关于mvcc,mvcc-full ,mmdet,mmegine的爬坑记录
我是先导入ARC-main整个项目,后下载的BboxToolkit项目,解压后放进ARC-main,在splitn data的过程中,出现BboxToolkit包无法下载的问题,当时我忘记运行命令,cd到BboxToolkit后,即可成功下载BboxToolkit包,直接运行命令无法 成功下载,匹配不到合适的版本包。坑:DOTA数据集,官网上下载的train和test都分为part1,part2,貌似只是压缩包太大了。。解压之后放在一起就可以了,train的原始文件夹是1411张。(心累)在。原创 2024-06-17 13:48:12 · 1332 阅读 · 0 评论 -
Yolo系列论文阅读:YOLOv9《What You Want to Learn Using Programmanble Gradient Information》
如今的深度学习方法关注的是如何设计最合适的目标函数,使模型的预测结果最接近地面真实。同时,必须设计一个合适的架构,以便于获取足够的信息来进行预测。现有的方法忽略了一个事实,即当输入数据经过逐层特征提取和空间变换时,会丢失大量信息。本文将深入研究数据在深度网络中传输时的数据丢失问题,即信息瓶颈和可逆函数。我们提出了可编程梯度信息(PGI)的概念,以应对深度网络实现多个目标所需的各种变化。PGI可以为目标任务计算目标函数提供完整的输入信息,从而获得可靠的梯度信息来更新网络权重。原创 2024-03-04 23:36:50 · 1285 阅读 · 0 评论 -
实例分割论文阅读之:FCN:《Fully Convolutional Networks for Semantica Segmentation》
卷积网络是强大的视觉模型,可以产生特征层次结构。我们证明,经过端到端、像素到像素训练的卷积网络本身超过了语义分割的最新技术。我们的主要见解是构建“全卷积”网络,该网络接受任意大小的输入并通过有效的推理和学习产生相应大小的输出。我们定义并详细介绍了全卷积网络的空间,解释了它们在空间密集预测任务中的应用,并与先前的模型建立了联系。我们将当代分类网络(AlexNet [20]、VGG 网络 [31] 和 GoogLeNet [32])改编为完全卷积网络,并通过微调 [3] 将其学习到的表示转移到分割任务。原创 2024-02-08 23:22:20 · 2141 阅读 · 2 评论 -
实例分割论文阅读之:《Mask Transfiner for High-Quality Instance Segmentation》
两阶段和基于查询的实例分割方法取得了显著的效果。然而,它们的分段掩模仍然非常粗糙。在本文中,我们提出了一种高质量和高效的实例分割Mask Transfiner。我们的Mask Transfiner不是在规则的密集张量上操作,而是将图像区域分解并表示为四叉树。我们基于变压器的方法只处理检测到的容易出错的树节点,并并行地自我纠正它们的错误。虽然这些稀疏像素只占总数的一小部分,但它们对最终的掩模质量至关重要。这使得Mask Transfiner能够以较低的计算成本预测高度准确的实例掩码。原创 2024-02-07 22:19:53 · 1552 阅读 · 0 评论 -
实例分割模型transfiner《transfiner-Mask Transfiner for High-Quality Instance Segmentaion》
论文:《Mask Transfiner for High-Quality Instance Segmentaion》原创 2024-02-07 21:12:57 · 428 阅读 · 0 评论 -
实例分割模型解析:solo模型
我们提出了一种新的、极其简单的实例分割方法。与许多其他密集预测任务(例如语义分割)相比,任意数量的实例使得实例分割更具挑战性。为了预测每个实例的掩码,主流方法要么遵循“检测然后分段”策略(例如,Mask R-CNN),要么首先预测嵌入向量,然后使用聚类技术将像素分组到各个实例中。我们认为通过引入“实例类别”的概念,从全新的角度来完成实例分割任务,该概念根据实例的位置和大小为实例中的每个像素分配类别,从而很好地将实例分割转换为单次分类可解决的问题问题。原创 2024-01-20 01:22:22 · 1331 阅读 · 0 评论 -
实例分割论文精读:Mask R-CNN
本文提出了一种概念简单、灵活、通用的实例分割方法,该方法在有效地检测图像中的物体同时,为每个物体实例生成一个实例分割模板,添加了一个分支,用于预测一个对象遮罩,与现有的分支并行,用于边界框识别,Mask R-CNN易于训练,只给Faster R-CNN增加了很小的开销,运行速度为5fps,另外,Mask R-CNN很容易推广到其他任务,例如,允许我们在同一框架中估计人类姿势,我们展示了COCO系列挑战的所有三个方面的最佳结果,包括实例分割、边界框对象检测以及人类关键点检测,没有任何花里胡哨的东西,Mask原创 2024-01-14 23:12:02 · 1086 阅读 · 1 评论 -
实例分割模型Mask2Former解析
图像分割对具有不同语义的像素进行分组,例如,类别或实例隶属关系。每种语义选择都定义了一个任务。虽然每个任务只是语义不同,但目前的研究重点是为每个任务设计专门的体系结构。我们提出了maskedatattention Mask Transformer (Mask2Former),这是一种能够处理任何图像分割任务(全景、实例或语义)的新架构。它的关键组成部分包括屏蔽注意,它通过在预测的屏蔽区域内约束交叉注意来提取局部特征。除了将研究工作量减少至少三倍之外,它在四个流行数据集上的性能明显优于最佳的专业架构。原创 2024-01-13 20:26:28 · 1467 阅读 · 2 评论 -
mmdetection项目关于solo系列模型的训练(伪装目标检测数据集)
到此为止coco部分已经改好了,其他就是自己的配置部分,我用的是configs/solo/decoupled-solo_r50_fpn_1x_coco.py,基于solo_r50_fpn_1x_coco.py,先看decoupled-solo_r50_fpn_1x_coco.py,再看solo_r50_fpn_1x_coco.py,怎么把数据集转换为json格式我还没有了解全面,先用这两个数据集进行复现。这个比较全,是各个模块参数的设置,后面会讲解。(什么时候可以显卡自由呜呜)原创 2024-01-03 21:40:09 · 602 阅读 · 3 评论 -
详解mmdetection中的faster rcnn
mmdetection包含很多目标监测和实例分割模型,集成度很高,新手学习起来,可能配置环境就要很久,看懂代码更是不易,本文主要解析项目中faster-rcnn的配置信息原创 2024-01-05 17:27:08 · 533 阅读 · 1 评论