目录
无锚框目标检测算法 Anchor-free Detectors
-
目标检测的基本范式
-
什么是目标检测
-
目标检测 vs 图像分类
-
-
目标检测 in 人脸识别
-
目标检测 in 智慧城市
-
目标检测 in 自动驾驶
-
目标检测 in 下游视觉任务
-
目标检测技术的演进
-
-
-
基础知识
-
框、边界框(Bounding Box)
-
交并比 Intersection Over Union
-
-
目标检测的基本思路(从滑窗到密集预测)
-
检测问题的难点
-
滑窗 Sliding Widow
- 滑窗的效率问题
- 改进思路2:分析滑窗中的重复计算
- 消除滑窗中的重复计算
-
感受野(Receptive Field)
-
-
感受野的中心和步长
-
- 有效感受野(Effective RF)
- 在特征图上进行密集预测
- 边界框回归 Bounding Box Regression
- 基于锚框 vs 无锚框
- 非极大值抑制 Non-Maximum Suppression
-
置信度 Confidence Score
-
-
-
使用卷积实现密集预测
- 使用密集预测模型进行推理
- 基本流程:
- 用模型做密集预测,得到预测图,每个位置包含类别概率、边界框回归的预测结果
- 保留预测类别不是背景的“框”
- 基于“框”中心,和边界框回归结果,进行边界框解码
- 后处理:非极大值抑制(Non-Maximum Suppression)
- 基本流程:
- 如何训练
- 密集预测模型的训练
-
匹配的基本思路
-
-
密集预测的基本范式
- 密集预测范式的改进:多尺度预测
- 如何处理尺度问题:
- 使用密集预测模型进行推理
-
- 锚框
- 基于锚框Anchor
- 图像金字塔 Image Pyramid
- 基于层次化特征
- 特征金字塔网络 Feature Pyramid Network 2016
- 多尺度的密集预测
- 基于锚框Anchor
-
单阶段 & 无锚框检测器 选讲
- RPN(Region Proposal Network 2015)
-
RPN的主干网络
-
- 代码
-
-
-
基于IoU的匹配
-
- YOLO:You Only Look Once 2015
-
YOLO的匹配与框编码
-
-
YOLO的损失函数
-
-
YOLO的优点和缺点
-
-
SSD:Single Shot MultiBox Detector 2016
- SSD的匹配规则
- RetinaNet 2017
-
单阶段算法面临的正负样本不均衡问题
-
-
- Focal Loss
- YOLO v3 2018
- YOLO v5 2020
-
无锚框目标检测算法 Anchor-free Detectors
- 锚框 vs 无锚框
-
FCOS-Fully Convolutional One-Stage 2019
-
-
FCOS的预测目标 & 匹配规则
-
-
FCOS的多尺度匹配
-
-
中心度Center-ness
-
-
FCOS的损失函数
-
-
CenterNet2019
-
-
YOLO X 2021
-
-