Object Detection
文章平均质量分 66
zxucver
这个作者很懒,什么都没留下…
展开
-
[Extensive Reading]目标检测(object detection)系列(十六)YOLOv4:平衡速度与精度
简介YOLOv4是YOLO之父Joseph Redmon宣布退出计算机视觉的研究之后推出的YOLO系列算法,其作者Alexey Bochkovskiy也参与了YOLO之前系列算法,《YOLOV4: Optimal Speed and Accuracy of Object Detection》,其主要贡献在于对近些年CNN领域中最优秀的优化策略,从数据处理、主干网络、网络训练、激活函数、损失函数等各个方面都有着不同程度的优化,组合出一个精度与速度兼备的结构。...原创 2021-09-24 01:48:39 · 552 阅读 · 0 评论 -
[Extensive Reading]目标检测(object detection)系列(十五) Mask R-CNN:检测与分割结合
简介Mask R-CNN 是在2017年提出,是FAIR团队的Kaiming大神和RBG大神的强强联手之作。paper的名字非常简洁,就叫Mask R-CNN,R-CNN系列确实可以独树一帜。Mask R-CNN无论是在方法创新上还是工程实现上,都非常具有影响力,首先是ICCV2017的best paper,其次FAIR团队的maskrcnn-benchmark项目也被很多人使用和改进,并作为其它工作的codebase model,现在,一方面由于maskrcnn-benchmark不再更新,以及det原创 2021-06-09 01:25:41 · 856 阅读 · 0 评论 -
[Intensive Reading]目标检测(object detection)系列(十四) FCOS:用图像分割处理目标检测
FCOS的paper是《FCOS: Fully Convolutional One-Stage Object Detection》,来自阿德莱德大学沈春华老师团队,作者是田植,其近期的工作时在实例分割方向非常惊艳的BoxInst。FCOS旨在利用全卷积的思路处理目标检测问题,它是一个anchor free的单阶段检测器,一个很有意思的地方是,FCOS和CenterNet都是在CornerNet之后,但是这它们几乎是同时挂到arxiv上,都在2019年的4月,且相差不到半个月。原创 2021-01-31 22:20:58 · 1668 阅读 · 1 评论 -
[Intensive Reading]目标检测(object detection)系列(十三)CenterNet:no Anchor,no NMS
CenterNet的论文是《Objects as Points》,其实从名字就可以很直观的看出,CenterNet是将目标检测问题看做对于目标中心点的检测,它是继CornerNet之后的又一个Anchor-free方法。原创 2020-07-05 22:40:09 · 3002 阅读 · 0 评论 -
[Intensive Reading]目标检测(object detection)扩展系列(三) Faster R-CNN,YOLO,SSD,YOLOv2,YOLOv3在损失函数上的区别
Faster R-CNN,YOLO和SSD通用目标检测领域有着奠基一般的作用, 而YOLOv2和YOLOv3由于其灵活易用的特性,在工业界一直很受欢迎,下面这篇文章主要想从损失函数的角度集中讨论下这几个主流框架的区别。原创 2019-10-04 22:38:46 · 2557 阅读 · 4 评论 -
[Intensive Reading]目标检测(object detection)扩展系列(二) OHEM:在线难例挖掘
OHEM(Online Hard Example Mining)是一种在线的难例挖掘方法,它的论文是《Training Region-based Object Detectors with Online Hard Example Mining》,从时间上看它在Faster R-CNN的后面,但是文中没有在Faster R-CNN的基础上实验,而是选择了Fast R-CNN,将Fast R-CNN中的mini-batch sampling策略替换为OHEM,得到了不错的效果。原创 2019-09-05 22:31:50 · 2957 阅读 · 0 评论 -
[Intensive Reading]目标检测(object detection)系列(十) FPN:用特征金字塔引入多尺度
SSD算法证明了多层分支对于目标检测的有效性,在此之前two-stage的目标检测方法已经优化改进过很多代,但是一直没有加入多尺度的方法。终于在FPN中,two-stage引入了多尺度,并且在SSD多层分支方法的基础上进一步改进,提出了特征金字塔网络。FPN的论文是《Feature Pyramid Networks for Object Detection》。原创 2019-08-22 14:12:15 · 7454 阅读 · 2 评论 -
[Intensive Reading]目标检测(object detection)系列(十二) CornerNet:anchor free的开端
过去的目标检测算法,two-stage方法从Faster R-CNN开始,one-stage方法从SSD开始,都无一例外的引入了anchor,anchor先验的引入使网络不需要从0直接预测Bounding box,这有利于目标检测器得到更好的效果。但是随着Anchor box的逐渐增多,它变成了目标检测算法的一个瓶颈,而CornerNet首次弃用了anchor box,就像它的名字一样,它将目标物体转化为检测左上角和右下角的点。原创 2019-08-25 18:09:16 · 2483 阅读 · 0 评论 -
[Intensive Reading]目标检测(object detection)系列(六) SSD:兼顾效率和准确性
SDD出现之前,主流的CNN目标检测模型分别是Faster R-CNN和YOLO,Faster R-CNN作为two-stage的代表,具有state of the art的准确性,但是速度偏慢,做不到实时。。YOLO使得目标检测任务one-stage就能完成,在效率上有了明显改善,但是准确性上确差了很多。这就好比“人有悲欢离合,月有阴晴圆缺,此事古难全。”但是就在这个时候,SDD出现了,一个兼顾了效率和准确性的网络结构。因为它做到了比Faster R-CNN更准,同时又比YOLO更快的性能表现。原创 2019-08-11 22:06:08 · 2924 阅读 · 1 评论 -
[Intensive Reading]目标检测(object detection)系列(十一) RetinaNet:one-stage检测器巅峰之作
在RetinaNet之前,目标检测领域一个普遍的现象就是two-stage的方法有更高的准确率,但是耗时也更严重,比如经典的Faster R-CNN,R-FCN,FPN等,而one-stage的方法效率更高,但是准确性要差一些,比如经典的YOLOv2,YOLOv3和SSD。而RetinaNet的出现,在一定程度上改善了这个问题,让one-stage的方法具备了比two-stage方法更高的准确性,而且耗时更低。原创 2019-08-24 17:33:22 · 3533 阅读 · 3 评论 -
[Intensive Reading]目标检测(object detection)扩展系列(一) Selective Search:选择性搜索算法
在Faster R-CNN算法之前,R-CNN,SPP-Net和Faster R-CNN这些方法中,都用到了SS(Selective Search)算法,它其实是一种区域建议算法为后续的检测任务提供候选框,SS的论文是[《Selective Search for Object Recognition》]原创 2019-08-14 15:53:31 · 1620 阅读 · 0 评论 -
[Intensive Reading]目标检测(object detection)系列(五)YOLO:目标检测的另一种打开方式
从时间轴上看,YOLO(YOLO v1)的提出在R-CNN,SPP-Net,Fast R-CNN和Faster R-CNN之后,论文题目是《You Only Look Once: Unified, Real-Time Object Detection》,从某种意义上说,YOLO的提出,从另一各方面定义了基于CNN的目标检测任务的基本方法。--------------------- 版权声明:本文为CSDN博主「chaibubble」的原创文章,遵循CC 4.0 by-sa版权协议,转载请附上原文出处链接原创 2019-08-09 13:12:01 · 3191 阅读 · 0 评论 -
[Intensive Reading]目标检测(object detection)系列(九) YOLOv3:取百家所长成一家之言
取百家所长成一家之言是一句书面意思上绝对褒义的话,形容一个论文却有些许的尴尬,但是YOLOv3确实是这样,没什么大的改动和创新点,而是融合借鉴了很多在其他的方案,最后效果还是很好的,文章中自己也提到了:“We made a bunch of little design changes to make it better”,YOLOv3的论文是《YOLOv3: An Incremental Improvement》,真的是个很低调的题目,没有Better, Faster和Stronger。╮( ̄▽  ̄)╭原创 2019-08-18 18:54:41 · 4199 阅读 · 1 评论 -
[Intensive Reading]目标检测(object detection)系列(八)YOLOv2:更好,更快,更强
本着“更高,更快,更强”的奥林匹克精神,YOLO系列推出了它的第二代算法:YOLOv2。╮( ̄▽  ̄)╭YOLOv2的论文是《YOLO9000: Better, Faster, Stronger》,这里面的YOLO9000是YOLO2的基础上做了,使用检测与分类的联合训练,并根据ImageNet中的WordNet构建WordTree,达到9000类目标检测的目的,但是这部分内容在下面不做介绍了。YOLOv2同样延续了one-stage检测的思路,并在速度和准确性方面都超过了SSD。原创 2018-02-12 23:55:35 · 4104 阅读 · 7 评论 -
[Intensive Reading]目标检测(object detection)系列(七) R-FCN:位置敏感的Faster R-CNN
R-FCN是承接Faster R-CNN的工作,论文是《R-FCN: Object Detection via Region-based Fully Convolutional Networks》,可以简单的理解为R-FCN是Faster R-CNN+位置敏感(position sensitive)卷积层。提出的初衷是为了解决R-CNN系列,在新的图像分类backbone下效果不好的问题。R-FCN之所以起这个名字,是因为图像分割任务中出现了一个FCN(全卷积网络),而这种全卷积的说法和R-FCN想要表达的原创 2017-11-19 19:21:32 · 4645 阅读 · 5 评论 -
[Intensive Reading]目标检测(object detection)系列(四) Faster R-CNN:有RPN的Fast R-CNN
RBG团队在2015年,与Fast R-CNN同年推出了Faster R-CNN,我们先从头回顾下Object Detection任务中各个网络的发展,首先R-CNN用分类+bounding box解决了目标检测问题,SPP-Net解决了卷积共享计算问题,Fast R-CNN解决了end-to-end训练的问题,那么最后还能下一个ss算法,依旧独立于网络,是一个单独的部分,这个点是R-CNN系列的性能瓶颈,所有Fast R-CNN是没有什么实时性的。那么Faster R-CNN的出现就是为了解决这个瓶颈问题原创 2017-11-13 14:47:15 · 5235 阅读 · 7 评论 -
[Intensive Reading]目标检测(object detection)系列(三) Fast R-CNN:end-to-end的愉快训练
在之前的两个文章中,我们分别介绍了R-CNN与SPP-Net,Fast R-CNN是结合结合了SPP-Net的共享卷积计算思想,对R-CNN做出改进。Fast R-CNN的论文是《Fast R-CNN》,这是多么一个简单粗暴的论文题目。╮( ̄▽  ̄)╭在上一篇中,SPP-Net解决了卷积共享计算的问题,但是SPP-Net依然不是一个可以end-to-end训练的网络,所以Fast R-CNN的提出就是为了解决这个问题。原创 2017-11-08 12:11:54 · 4234 阅读 · 10 评论 -
[Intensive Reading]目标检测(object detection)系列(二) SPP-Net:让卷积计算可以共享
在上一篇R-CNN的文章中,详细介绍了R-CNN算法,同时也说明了R-CNN的致命缺陷,超长的训练时间(84h)和测试时间(47s),造成这个问题的主要原因就是重复性的卷积计算,在R-CNN中,输入到CNN网络中的图片是ss算法提取到的区域,每一张待检测图都会产生1000-2000个区域,这也就意味着卷积计算要重复1000-2000次,但是由于ss算法提取到的区域本身就有很多重叠,所以这种重复计算是非常没有必要的。原创 2017-11-06 14:15:47 · 4486 阅读 · 8 评论 -
[Intensive Reading]目标检测(object detection)系列(一) R-CNN:CNN目标检测的开山之作
R-CNN提出于2014年,应当算是卷积神经网络在目标检测任务中的开山之作了,当然同年间还有一个overfeat算法,在这里暂不讨论。R-CNN的论文是《Rich feature hierarchies for accurate oject detection and semantic segmentation》,在之后的几年中,目标检测任务的CNN模型也越来越多,实时性与准确率也越来越好,但是最为经典的模型还是很值得学习的。原创 2017-09-27 14:55:11 · 11879 阅读 · 3 评论