目标检测(Object Detection)算法合集(持续更新ing)

这篇博客汇总了目标检测领域的多种算法,包括R-CNN、Fast R-CNN、Faster R-CNN、Light-Head R-CNN等,以及它们的相关论文、代码实现和最新进展。详细介绍了每种算法的特点和应用场景,是深入理解目标检测技术的好资源。
摘要由CSDN通过智能技术生成

想了解最新的目标检测算法,详见 awesome-object-detection

Object Detection

想了解最新的目标检测算法,详见 awesome-object-detection

This is a list of awesome articles about object detection.

  • R-CNN
  • Fast R-CNN
  • Faster R-CNN
  • Light-Head R-CNN
  • Cascade R-CNN
  • SPP-Net
  • YOLO
  • YOLOv2
  • YOLOv3
  • YOLT
  • SSD
  • DSSD
  • FSSD
  • ESSD
  • MDSSD
  • Pelee
  • Fire SSD
  • R-FCN
  • FPN
  • DSOD
  • RetinaNet
  • MegNet
  • RefineNet
  • DetNet
  • SSOD
  • 3D Object Detection
  • ZSD(Zero-Shot Object Detection)
  • OSD(One-Shot object Detection)
  • Other

Based on handong1587’s github(https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html

Papers&Codes

R-CNN

Rich feature hierarchies for accurate object detection and semantic segmentation

Fast R-CNN

Fast R-CNN

A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection

Faster R-CNN

Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

R-CNN minus R

Faster R-CNN in MXNet with distributed implementation and data parallelization

Contextual Priming and Feedback for Faster R-CNN

An Implementation of Faster RCNN with Study for Region Sampling

Interpretable R-CNN

Light-Head R-CNN

Light-Head R-CNN: In Defense of Two-Stage Object Detector

Cascade R-CNN

Cascade R-CNN: Delving into High Quality Object Detection

SPP-Net

Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition

DeepID-Net: Deformable Deep Convolutional Neural Networks for Object Detection

  • intro: PAMI 2016
  • intro: an extension of R-CNN. box pre-training, cascade on region proposals, deformation layers and context representations
  • project page: http://www.ee.cuhk.edu.hk/%CB
  • 7
    点赞
  • 46
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
Moving object detection(移动物体检测)是计算机视觉领域的一个重要研究方向,该算法的目标是从视频序列中准确地检测出移动的物体并进行跟踪。移动物体检测可以应用于许多领域,如视频监控、交通管理和智能车辆等。 常见的Moving object detection算法可以分为基于背景差分法、光流法和基于深度学习的方法。 基于背景差分法的Moving object detection算法主要通过将当前帧与之前的背景帧进行差分来检测移动物体。首先,通过建立背景模型,提取出背景帧;然后,将当前帧与背景帧进行差分,得到移动物体的二值化图像。最后,通过对二值化图像进行形态学操作和连通区域分析,可以去除噪声并提取出移动物体。 光流法的Moving object detection算法是基于物体在连续帧中的像素灰度值变化来检测移动物体的。该方法通过计算物体像素之间的光流向量来推断像素的运动方向和速度,从而检测出移动物体。 基于深度学习的Moving object detection算法近年来逐渐受到关注,利用深度神经网络进行移动物体检测。这些算法通常采用卷积神经网络(CNN)或循环神经网络(RNN)来提取图像特征,并通过分类器来判断物体是否在移动。 总的来说,Moving object detection算法是通过对视频序列进行分析和处理,利用图像处理、计算机视觉和深度学习等技术来检测出移动物体。不同的算法有不同的优缺点和适用场景,研究者们正在不断改进和发展这些算法,以提高移动物体检测的准确性和实时性。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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