![](https://img-blog.csdnimg.cn/20201014180756724.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
目标检测
文章平均质量分 92
超级无敌陈大佬的跟班
站在巨人的肩膀上看星星.
不辜负每个朝阳,不荒废每个深夜,因平凡而奋斗,因奋斗而不平凡
展开
-
【人脸检测】CenterFace:轻量级anchor_free人脸检测器
论文地址:https://arxiv.org/ftp/arxiv/papers/1911/1911.03599.pdfgithub地址:https://github.com/Star-Clouds/centerface前言:CenterFace基本结构还是基于CenterNet网络修改得来的,与CenterNet一些小的区别点是:1)主干网络改为mobilenetV2; 2)loss函数的计算方式也有些小变动,边框的宽高回归加上了log进行约束; 3)边界框中心点回归也有L1 loss改.原创 2021-09-01 15:08:50 · 488 阅读 · 0 评论 -
【目标检测】anchor-free框架:CenterNet :Objects as Points
论文地址:https://arxiv.org/pdf/1904.07850.pdf发布时间:2019.4.16代码:https://github.com/xingyizhou/CenterNet摘要 大多数anchor-base的目标检测器都先穷举出目标位置,然后对该位置进行分类,这种方式浪费时间,低效,还需要额外的后处理(NMS)。本文中,CenterNet构建模型时将目标作为一个点——即目标BBox的中心点。检测器采用关键点估计来找到中心点,并回归到其他目标属性,例...原创 2021-08-31 17:56:31 · 719 阅读 · 1 评论 -
【目标检测】yolo系列-yolo_v5学习笔记
文章参考自江大白知乎文章,作为yoloV5的学习记录笔记。知乎链接:https://zhuanlan.zhihu.com/p/172121380目录1 Yolov5四种网络模型二、yolo_v5改进点详解1 输入端改进1)Mosaic数据增强2) 自适应锚框计算3)自适应图片缩放2 Backbone的改进点1)Focus结构2)CSP结构3 Neck部分的改进点1)FPN处增加PAN结构4 输出端改进点1)Bounding box损失函数:GIoU转载 2021-08-25 16:03:16 · 3046 阅读 · 0 评论 -
【目标检测】yolo系列—yolo_v4学习记录
目录目标检测模型调优的两种手段一、YOLO-v4的主要工作二、yolo_v4改进创新之处:2.1 输入端创新1)Mosaic数据增强2.2 BackBone创新1)CSPDarknet532)Mish激活函数3)Dropblock2.3 Neck结构中的创新1)SPP模块2)FPN + PAN2.4 Prediction部分的创新1)CIOU_loss2)DIOU_nmsYolov4 主要带来了 3 点新贡献:文章参考自知乎作者的文章,.原创 2021-08-24 21:56:51 · 1238 阅读 · 0 评论 -
【目标检测】anchor free:FCOS
前言FCOS: Fully Convolutional One-Stage Object Detection(2019年)FCOS(FCOS: Fully Convolutional One-Stage Object Detection),该算法是一种基于FCN的逐像素目标检测算法,实现了无锚点(anchor-free)、无提议(proposal free)的解决方案,并且提出了中心度(Center—ness)的思想,同时在召回率等方面表现接近甚至超过目前很多先进主流的基于锚框目标检测算法。FC原创 2021-08-24 14:17:29 · 522 阅读 · 0 评论 -
【目标检测】yolo系列yolo x学习笔记(2021年旷视)
Decoupled Head(解耦头):1)解耦头的好处:精度带来提升; 收敛速度也明显加快;2)解耦时控制计算量: 为了权衡速度和性能,使用 1个1x1 的卷积先进行降维,并在分类和回归分支里各使用了 2个3x3 卷积,最终调整到仅仅增加一点点参数。Data Augmentation(数据增强):1)Mosaic增强:Mosaic 经过 YOLOv5 和 v4 的验证,证明其在极强的 baseline 上能带来显著涨点。2)Mosaic 配上 Copypast...原创 2021-08-20 09:38:30 · 2651 阅读 · 0 评论 -
【深度学习】目标检测回归损失函数合集:SmoothL1/IoU/GIoU/DIoU/CIoU Loss
目标检测回归损失函数简介:SmoothL1/IoU/GIoU/DIoU/CIoU LossCrazyVertigo欢迎加微信xiejun--,长期招聘计算机视觉开发/算法人才寒假在家,码字不易,如果觉得对你有帮助,欢迎随手点个赞哈~目标检测任务的损失函数由Classificition Loss和Bounding Box Regeression Loss两部分构成。本文介绍目标检测任务中近几年来Bounding Box Regression Loss Function的演进过程,其演进路线原创 2021-08-16 12:00:40 · 2328 阅读 · 2 评论 -
【目标检测】yolo系列-yolo v3(2018年)
三、YOLOv31、网络结构图备注:图参考自 另一位作者文章resnetblock块(绿色):由若干个残差单元串联; res_unit残差单元(红色):由两个卷积单元和一个shortcut链接组成; DBL卷积单元(橙色):一个卷积核后面加BN和leaky-relu组成;yolo v3结构:输入尺寸:416*416*3,主干网络:使用Darknet-53,检测头:由3个检测分支的FPN结构组成,分别为原图下采样8、16、32倍。 feature map的每个单元格有3个尺度的an原创 2021-08-08 16:31:11 · 1499 阅读 · 0 评论 -
【目标检测】yolo系列-yolo v2(yolo9000)(2016年)
目录YOLOv2创新点☆Batch NormalizationHigh Resolution Classifier (高分辨率图像微调主干网络)☆使用 anchor box 先验框☆New Network:Darknet-19Dimension Clusters(聚类提取先验框的尺度信息)Direct location prediction(约束预测边框的位置)Fine-Grained Features(细粒度特性)Multi-Scale Training(多尺.原创 2021-08-08 16:30:03 · 593 阅读 · 0 评论 -
【目标检测】YOLO系列-yolo v1(2015年)
IoU(Intersection-over-Union)指标IoU 简称交并比,顾名思义数学中交集与并集的比例。假设有两个集合 A 与 B, IoU 即等于 A 与 B 的交集除以 A 与 B 的并集,表达式如下:在目标检测中,IoU 为预测框 (Prediction) 和真实框 (Ground truth) 的交并比。如下图所示,在关于小猫的目标检测中,紫线边框为预测框 (Predi...原创 2019-11-27 23:01:33 · 6010 阅读 · 0 评论 -
【目标检测】重温SSD目标检测
前言:重温SSD目标检测模型,主要讲解SSD中先验框是如何处理的,适合已经看过SSD网络基本内容的读者。网络结构图:采用特征金字塔结构预测目标,共有6个feature map会预测目标。分别为:参考链接:https://zhuanlan.zhihu.com/p/33544892...原创 2021-07-03 21:03:12 · 777 阅读 · 0 评论 -
【深度学习】关于SSD系列网络对背景产生误检情况的解决办法
尝试方法一:直接对误检的图像生成一个空的xml文件。(文件中没有任何对象)训练结果:由于xml文件中没有任何正样本对象,所以网络无法学习到背景信息,使用训练后的模型测试误检的图像,依然会产生误检。(这里网上有人说即使没有正样本,SSD网络在训练时也会产生负样本,本人测试,当整幅图像没有任何正样本时,网络学习不到任何信息,训练时loss=0)尝试方法二:误检的图像中含有正样本对象,但不...原创 2019-12-09 20:20:25 · 1158 阅读 · 3 评论 -
【目标检测】CornerNet: Detecting Objects as Paired Keypoints
CornerNet: Detecting Objects as Paired Keypoints文中首先指出使用anchor的缺点在于:anchor boxes数量巨大,使得正负例不平衡,一般采取的方法有设置IOU阈值上下限,并给定正负例比例(比如1:3),或者难负例挖掘; 引入了超参数,比如anchor的scale,aspect ratio,确定这些超参数是一个较为复杂的工作。...原创 2020-02-13 17:15:50 · 417 阅读 · 0 评论 -
【目标检测】CornerNet-Lite检测网络
任意目标检测网络提高inference效率的两个方向:减少处理的像素数量。 减少每个像素的处理过程。CornerNet-Saccade:通过减少处理的像素个数来提高inference的效率。实现方式:使用注意力机制(attention)消除了对图像的所有像素进行处理的需要,将cornernet单阶段检测器变为两阶段检测器。首先经过一个下采样后的输入图像,生成一个attention ma...原创 2020-02-12 16:54:23 · 822 阅读 · 0 评论 -
【目标检测】COCO数据集下载链接
一、下载链接[1] - train2014 images: (13GB)http://images.cocodataset.org/zips/train2014.zip[2] - val2014 images:(6GB)http://images.cocodataset.org/zips/val2014.zip[3] - train2014/val2014 annotation...原创 2019-12-18 10:27:29 · 1519 阅读 · 1 评论