目标检测
文章平均质量分 86
哇哇九号
生命不息,音乐不止。
展开
-
阅读笔记——RetinaFace: Single-stage Dense Face Localisation in the Wild
人脸检测在许多任务得以应用。例如在人脸属性判断(表情识别、年龄估计)、人脸识别等任务中,人脸检测都是一个前置任务。一般的人脸检测就是独指获取人脸 box 框这一单一任务,而作者提出将人脸检测、人脸对齐、像素级人脸解析放到一个任务,进而提升各个部分的性能。同时和通用目标检测相比,人脸检测在宽高比方面变化更小,而在尺度方面差异较大(从小的几像素到大的几千像素)。手动标注了人脸数据集中的 5 个人脸关键点(左右眼睛、鼻尖、左右嘴角),并发现这 5 个关键点提升了人脸检测性能;...原创 2022-08-07 01:55:43 · 707 阅读 · 0 评论 -
阅读笔记——FCOS:A Simple and Strong Anchor-free Object Detector
概述在目标检测领域,早期已经发展出非常多的 anchor based 检测方法,包括 FasterRCNN、RetinaNet、SSD、YOLO v3 等,但是 这类 anchor based 方法,存在一些比较显著的问题:anchor 的大小、宽高比、以及数目都对检测性能有很大有影响;尽管可以针对数据集对 anchor 做精心设计,但是小目标检测效果仍然不够好,而且这也大大降低了泛化性能;为了检测精度,需要布置大量的 anchor,而其中绝大部分是负样本,造成了正负样本不均衡;anchor b原创 2021-12-04 17:48:31 · 1042 阅读 · 0 评论 -
使用Windows Caffe 建立Qt工程 运行SSD(Single Shot MultiBox Detector)目标检测算法
使用Windows Caffe 建立Qt工程 运行SSD(Single Shot MultiBox Detector)目标检测算法原创 2017-07-15 21:13:15 · 1168 阅读 · 0 评论 -
YOLOX:Exceeding YOLO Series in 2021 阅读小笔记
YOLOX:Exceeding YOLO Series in 2021 阅读小笔记概述由于目标检测发展出许多anchor-free、advanced label assignment方法,但是这些方法在YOLO v4和YOLO v5中都没有应用,因此作者提出了YOLOX,极大提升了YOLO v3的性能。一句话总结:YOLOX在YOLO v3的基础上,通过使用解耦检测头、强化的数据增强方法(Mosaic和MixUp)、anchor free、多正样本、SimOTA Box assign方法(每个grou原创 2021-11-29 23:33:41 · 339 阅读 · 0 评论