目标检测
breeze_blows
这个作者很懒,什么都没留下…
展开
-
YOLOv4: Optimal Speed and Accuracy of Object Detection
论文链接:https://arxiv.org/pdf/2004.10934.pdf代码链接:https://github.com/AlexeyAB/darknet主要思想:利用各种universal features 包括Weighted-Residual-Connections (WRC), Cross-Stage-Partial-connections (CSP), Cross mini-Batch Normalization (CmBN), Self-adversarial-training原创 2020-05-29 08:59:14 · 639 阅读 · 0 评论 -
Mask R-CNN
we propose a simple, quantization-free layer, called RoIAlign, that faithfully preserves exact spatial locations. Despite being a seemingly minor changeSecond, we found it essential to decouple mask ...原创 2020-03-29 16:30:12 · 371 阅读 · 0 评论 -
Deformable Convolutional Networks && Region Proposal by Guided Anchoring
https://zhuanlan.zhihu.com/p/58185157原创 2020-03-21 16:22:50 · 1473 阅读 · 0 评论 -
Relation Networks for Object Detection
#求rois之间的坐标关系,找到位置信息rois=[300,4]nongt_dim = 300position_matrix = extract_position_matrix(rois, nongt_dim=nongt_dim) #position_matrix=[300,300,4]#extract_position_embedding方法实现论文中公式5的EG操作posi...原创 2020-03-06 09:39:33 · 880 阅读 · 1 评论 -
目标检测中的增强方式
目标检测的数据增强对于提高模型的泛化能力很有帮助,往往会用在线的方式进行,即在训练的过程中随机的对batch中的图片进行某些图像增强变换。但是离线的方式有时候也是不可少的。下面介绍一个比较好用的图像增强库:https://github.com/albumentations-team/albumentations,这个库是基于https://github.com/aleju/imgaug开发的...原创 2019-11-25 15:52:34 · 2447 阅读 · 0 评论 -
FCOS:Fully Convolutional One-Stage Object Detection
ICCV2019的一篇文章,很有意思的是将目标分割的思想用到了目标检测中,提出了一种anchor-free的检测方式,取得了不错的效果论文链接:https://arxiv.org/abs/1904.013551.motivation作者认为以往的基于anchor的目标检测有以下缺点检测算法的性能对于anchor一些参数很敏感,比如size ratio,number,设置起来很麻烦...原创 2019-12-06 11:14:30 · 299 阅读 · 0 评论 -
Cascade R-CNN: Delving into High Quality Object Detection
CVPR2018的文章,通过改进two stage的目标检测算法,采用不同stage,不同iou阈值,上一个stage的输出proposals作为下一stage的输出进行训练,提升了算法的性能。文章链接:https://arxiv.org/abs/1712.00726 1.motivation:从(a)中可以看出当IOU设置为0.5(这里的iou表示的是用RPN选出2000个reg...原创 2019-12-05 09:29:51 · 441 阅读 · 0 评论 -
RCNN,Fast RCNN,Faster RCNN
2013年的RCNN,ICCV2015年的fast rcnn,以及NIPS2015的faster rcnn逐步确定了two stage目标检测的框架。本文将会主要讲述三个方面的内容:稍微对比一下rcnn,fast rcnn到faster rcnn的原理 以mmdetection中的faster rcnn复现代码为参考,讲述faster rcnn从图像输入,到计算RPN的loss,计算最后...原创 2019-12-01 19:00:45 · 640 阅读 · 0 评论 -
Focal Loss for Dense Object Detection
作为2017年ICCV的最佳学生论文,该文章主要提出了一种新的交叉熵损失函数,用于抑制one-stage在训练过程中的易分样本(包括易分正样本与易分负样本)的在loss中的比重,从而挖掘了困难样本对于detector的贡献。提高了detector的性能,为此本文设计了retinanet来验证新的损失函数的作用,通过实验结果表示,取得了不错的效果。论文链接:https://arxiv.org/a...原创 2019-11-27 09:14:32 · 842 阅读 · 8 评论